Core Concepts
Riesz 커널을 가진 최대 평균 차이(MMD) 함수들의 Wasserstein 경사 흐름은 특이 측도가 절대 연속 측도가 되거나 그 반대로 될 수 있는 풍부한 구조를 보인다. 이 논문에서는 이러한 흐름을 이해하는 데 기여한다. 신경망을 이용하여 이러한 Wasserstein 경사 흐름을 계산하기 위한 후방 및 전방 방식을 제안한다.
Abstract
이 논문은 Riesz 커널을 가진 최대 평균 차이(MMD) 함수들의 Wasserstein 경사 흐름을 다룬다.
절대 연속 측도에 국한되지 않고 일반 측도를 다루기 위해 수송 계획과 속도 계획을 사용한다.
이를 위해 적절한 손실 함수로 학습된 생성 신경망을 이용하여 이 두 계획의 분해를 근사한다.
상호 작용 에너지에 대한 Wasserstein 방식의 해석적 공식을 제공하고 시간 간격이 0으로 수렴할 때 수렴성을 보인다.
수치 예제를 통해 제안된 신경망 MMD 흐름을 보여준다.
Stats
상호 작용 에너지 EK(η) = 1/2 ∫Rd ∫Rd K(x, y) dη(x)dη(y)
MMD 함수 Fν(μ) = EK(μ - ν) + VK,ν(μ), 여기서 VK,ν(μ) = -∫Rd ∫Rd K(x, y) dν(y) dμ(x)
Quotes
"Wasserstein 경사 흐름의 이해에 기여한다."
"절대 연속 측도에 국한되지 않고 일반 측도를 다루기 위해 수송 계획과 속도 계획을 사용한다."
"상호 작용 에너지에 대한 Wasserstein 방식의 해석적 공식을 제공하고 수렴성을 보인다."