ニューラル条件付きトランスポート・マップ

arXiv stat.ML / 2026/4/2

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、確率分布間の条件付き最適輸送（OT）マップを学習するためのニューラルな枠組みを提案し、カテゴリ変数と連続変数の両方に同時に条件付けできることを可能にする。
条件入力からトランスポート層のパラメータを生成するハイパーネットワークを用いることで、より単純な条件付けのベースラインを上回る適応的な写像を生成する。
提案手法におけるハイパーネットワークによる条件付けとアーキテクチャ設計が性能向上の要因であることを検証するため、広範なアブレーション研究が報告されている。
著者らは、グローバル感度分析への適用を示しており、OTベースの感度指数を計算する際に強い性能を達成している。
本研究は、生成モデリングやブラックボックスモデルの説明可能性のような高次元設定においてOT手法を適用するための前進として、条件付きOT学習を位置づけている。

概要：確率分布間の条件付き最適輸送（OT）写像を学習するためのニューラルフレームワークを提示します。本手法では、カテゴリ変数と連続変数の両方の条件変数を同時に処理できる条件付けメカニズムを導入します。提案手法の中核には、これらの入力に基づいて輸送層のパラメータを生成するハイパーネットワークがあり、その結果、単純な条件付け手法よりも優れた適応的な写像が得られます。広範なアブレーション研究により、本手法がベースライン構成よりも優れた性能を示すことを実証します。さらに、本研究では、グローバル感度分析への適用を示し、OTベースの感度指標を計算する際に高い性能を提供します。本研究は、条件付き最適輸送における最先端を押し進め、生成モデルやブラックボックスモデルの説明可能性といった、複雑で高次元な領域に対して最適輸送の原理をより幅広く適用できるようにします。