Wasserstein距離はなぜKLダイバージェンスより直感的なのか？
Qiita / 2026/3/23
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- Wasserstein距離は確率分布間の運搬コストを測る直感的な指標で、KLダイバージェンスの直感的でない点を補完する。
- KLダイバージェンスはサポートが異なる場合に発散する可能性がある一方、Wassersteinは距離として意味を保つ点が強調される。
- 実務ではWasserstein距離の勾配安定性や解釈性がMLモデルの学習に有利になる可能性を解説。
- 初心者向けのPython実装・データサイエンスの文脈で、最適輸送の基本概念と直感的な例を紹介。
KLダイバージェンスを学ぶと、かなり早い段階で次の疑問が出てきます。
「分布のズレを測りたいのに、KLは“近いズレ”と“遠いズレ”をうまく区別していないように見えるのはなぜ？」
この記事では、ダミーデータを使って Wasserstein距離がなぜ直感的に感じやすいのか を、...
この記事の続きは原文サイトでお読みいただけます。
原文を読む →
