Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein
La inferencia variacional (VI) aborda la aproximación de distribuciones complejas mediante la optimización de medidas aproximadas dentro de estructuras no paramétricas, minimizando la divergencia de Kullback-Leibler. Este trabajo se centra en la inferencia variacional de campo medio (MFVI), tradicio...
- Autores:
-
Arias Russi, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75955
- Acceso en línea:
- https://hdl.handle.net/1992/75955
- Palabra clave:
- Optimal transport
Variational inference
Mean-field variational inference
Latent and observable variables
Generative models
Wasserstein space
Matemáticas
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_fc379e773a0a284efcb3c2a2addaddb5 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75955 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| title |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| spellingShingle |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein Optimal transport Variational inference Mean-field variational inference Latent and observable variables Generative models Wasserstein space Matemáticas |
| title_short |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| title_full |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| title_fullStr |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| title_full_unstemmed |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| title_sort |
Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein |
| dc.creator.fl_str_mv |
Arias Russi, Andrés Felipe |
| dc.contributor.advisor.none.fl_str_mv |
Junca Peláez, Mauricio José |
| dc.contributor.author.none.fl_str_mv |
Arias Russi, Andrés Felipe |
| dc.contributor.jury.none.fl_str_mv |
García Trillos, Nicolás |
| dc.subject.keyword.eng.fl_str_mv |
Optimal transport Variational inference Mean-field variational inference Latent and observable variables Generative models Wasserstein space |
| topic |
Optimal transport Variational inference Mean-field variational inference Latent and observable variables Generative models Wasserstein space Matemáticas |
| dc.subject.themes.spa.fl_str_mv |
Matemáticas |
| description |
La inferencia variacional (VI) aborda la aproximación de distribuciones complejas mediante la optimización de medidas aproximadas dentro de estructuras no paramétricas, minimizando la divergencia de Kullback-Leibler. Este trabajo se centra en la inferencia variacional de campo medio (MFVI), tradicionalmente vinculada a supuestos paramétricos, pero aquí reformulada en un marco no paramétrico usando técnicas de transporte óptimo en espacios de Wasserstein. Siguiendo enfoques innovadores basados en transporte óptimo, construimos mapas de transporte en conjuntos poliédricos para aproximar la distribución objetivo sobre medidas producto independientes, sin imponer restricciones paramétricas en la forma de las distribuciones. Nuestro objetivo es analizar un algoritmo basado en optimización poliédrica, evaluando su eficacia teórica y práctica para resolver problemas variacionales en alta dimensión. El estudio explora la interacción entre geometría de transporte óptimo, escalabilidad computacional y generalización no paramétrica, aportando fundamentos teóricos y perspectivas aplicadas para abordar desafíos de inferencia en escenarios complejos. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-31T21:34:47Z |
| dc.date.available.none.fl_str_mv |
2025-01-31T21:34:47Z |
| dc.date.issued.none.fl_str_mv |
2025-01-29 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75955 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75955 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Bishop, C. (2006). Pattern recognition and machine learning. Recuperado de https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf Blei, D. M. (2014). Build, compute, critique, repeat: Data analysis with latent variable models. Annual Review of Statistics and Its Application, 1, 203–232. https://doi.org/10.1146/annurev-statistics-022513-115657 Blei, D. M., Kucukelbir, A., & McAuliffe, J. D. (2016). Variational inference: A review for statisticians. Recuperado de https://arxiv.org/abs/1601.00670v9 Buckley, B., O’Hagan, A., & Galligan, M. (2024). Variational Bayes latent class analysis for EHR-based phenotyping with large real-world data. Frontiers in Applied Mathematics and Statistics, 10. https://doi.org/10.3389/fams.2024.1302825 Chewi, S., Niles-Weed, J., & Rigollet, P. (2024). Statistical optimal transport. Recuperado de https://arxiv.org/abs/2407.18163v1 Jiang, Y., Chewi, S., & Pooladian, A.-A. (2023). Algorithms for mean-field variational inference via polyhedral optimization in the Wasserstein space. Recuperado de https://arxiv.org/abs/2312.02849v2 Kantorovich, L. V. (2006). On the translocation of masses. Journal of Mathematical Sciences, 133(4), 1381–1382. https://doi.org/10.1007/s10958-006-0049-2 Khan, A. H., & et al. (2023). A performance comparison of machine learning models for stock market prediction with novel investment strategy. PLOS ONE, 18(9). https://doi.org/10.1371/journal.pone.0286362 Kingma, D. P., & Welling, M. (2019). An introduction to variational autoencoders. Recuperado de https://arxiv.org/abs/1906.02691v3 Li, S., & Xu, S. (2024). Enhancing stock price prediction using GANs and transformer-based attention mechanisms. Empirical Economics. https://doi.org/10.1007/s00181-024-02644-6 Li, Y., & et al. (2020). Inferring multimodal latent topics from electronic health records. Nature Communications, 11(1), 2536. https://doi.org/10.1038/s41467-020-16378-3 Marchezini, G. F., & et al. (2022). Counterfactual inference with latent variable and its application in mental health care. Data Mining and Knowledge Discovery, 36(2), 811–840. https://doi.org/10.1007/s10618-021-00818-9 Monge, G. (1781). Mémoire sur la théorie des déblais et des remblais. Paris: De l’Imprimerie Royale. Villani, C. (2009). Optimal transport. Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-540-71050-9 |
| dc.rights.uri.none.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
56 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Matemáticas |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.department.none.fl_str_mv |
Departamento de Matemáticas |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/213c5c55-efb0-4ea8-9fcc-6edf485a9979/download https://repositorio.uniandes.edu.co/bitstreams/c7a30dee-6c07-424b-be21-d31d66ed4f53/download https://repositorio.uniandes.edu.co/bitstreams/7e9f259b-8f51-4a59-bd22-0c5e0ce0eaf2/download https://repositorio.uniandes.edu.co/bitstreams/1763f9d9-a501-4d84-a907-3190f49b4b06/download https://repositorio.uniandes.edu.co/bitstreams/7e27433b-629f-4ee8-a73a-4ded0fc35e63/download https://repositorio.uniandes.edu.co/bitstreams/43155f66-e92d-4461-8929-a63dd5785d15/download https://repositorio.uniandes.edu.co/bitstreams/68ce56bd-eb2f-4e8e-aedb-b9caa6a5d720/download |
| bitstream.checksum.fl_str_mv |
ab8991984b24a17d6da5c28758562af5 3917c0779d8437bf10cc3715dda032dc ae9e573a68e7f92501b6913cc846c39f d013ef412ce3593b4ff1d832d6455bb6 8bac7d6ac228b37b9a732bf30c69aba8 269c0db7a2577b4fdd3d2ebb40ed1661 445d6f125f889166f0a0dcde2766d9ad |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1828159191571759104 |
| spelling |
Junca Peláez, Mauricio Josévirtual::23040-1Arias Russi, Andrés FelipeGarcía Trillos, Nicolás2025-01-31T21:34:47Z2025-01-31T21:34:47Z2025-01-29https://hdl.handle.net/1992/75955instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La inferencia variacional (VI) aborda la aproximación de distribuciones complejas mediante la optimización de medidas aproximadas dentro de estructuras no paramétricas, minimizando la divergencia de Kullback-Leibler. Este trabajo se centra en la inferencia variacional de campo medio (MFVI), tradicionalmente vinculada a supuestos paramétricos, pero aquí reformulada en un marco no paramétrico usando técnicas de transporte óptimo en espacios de Wasserstein. Siguiendo enfoques innovadores basados en transporte óptimo, construimos mapas de transporte en conjuntos poliédricos para aproximar la distribución objetivo sobre medidas producto independientes, sin imponer restricciones paramétricas en la forma de las distribuciones. Nuestro objetivo es analizar un algoritmo basado en optimización poliédrica, evaluando su eficacia teórica y práctica para resolver problemas variacionales en alta dimensión. El estudio explora la interacción entre geometría de transporte óptimo, escalabilidad computacional y generalización no paramétrica, aportando fundamentos teóricos y perspectivas aplicadas para abordar desafíos de inferencia en escenarios complejos.Pregrado56 páginasapplication/pdfspaUniversidad de los AndesMatemáticasFacultad de CienciasDepartamento de Matemáticashttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de WassersteinTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPOptimal transportVariational inferenceMean-field variational inferenceLatent and observable variablesGenerative modelsWasserstein spaceMatemáticasBishop, C. (2006). Pattern recognition and machine learning. Recuperado de https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdfBlei, D. M. (2014). Build, compute, critique, repeat: Data analysis with latent variable models. Annual Review of Statistics and Its Application, 1, 203–232. https://doi.org/10.1146/annurev-statistics-022513-115657Blei, D. M., Kucukelbir, A., & McAuliffe, J. D. (2016). Variational inference: A review for statisticians. Recuperado de https://arxiv.org/abs/1601.00670v9Buckley, B., O’Hagan, A., & Galligan, M. (2024). Variational Bayes latent class analysis for EHR-based phenotyping with large real-world data. Frontiers in Applied Mathematics and Statistics, 10. https://doi.org/10.3389/fams.2024.1302825Chewi, S., Niles-Weed, J., & Rigollet, P. (2024). Statistical optimal transport. Recuperado de https://arxiv.org/abs/2407.18163v1Jiang, Y., Chewi, S., & Pooladian, A.-A. (2023). Algorithms for mean-field variational inference via polyhedral optimization in the Wasserstein space. Recuperado de https://arxiv.org/abs/2312.02849v2Kantorovich, L. V. (2006). On the translocation of masses. Journal of Mathematical Sciences, 133(4), 1381–1382. https://doi.org/10.1007/s10958-006-0049-2Khan, A. H., & et al. (2023). A performance comparison of machine learning models for stock market prediction with novel investment strategy. PLOS ONE, 18(9). https://doi.org/10.1371/journal.pone.0286362Kingma, D. P., & Welling, M. (2019). An introduction to variational autoencoders. Recuperado de https://arxiv.org/abs/1906.02691v3Li, S., & Xu, S. (2024). Enhancing stock price prediction using GANs and transformer-based attention mechanisms. Empirical Economics. https://doi.org/10.1007/s00181-024-02644-6Li, Y., & et al. (2020). Inferring multimodal latent topics from electronic health records. Nature Communications, 11(1), 2536. https://doi.org/10.1038/s41467-020-16378-3Marchezini, G. F., & et al. (2022). Counterfactual inference with latent variable and its application in mental health care. Data Mining and Knowledge Discovery, 36(2), 811–840. https://doi.org/10.1007/s10618-021-00818-9Monge, G. (1781). Mémoire sur la théorie des déblais et des remblais. Paris: De l’Imprimerie Royale.Villani, C. (2009). Optimal transport. Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-540-71050-9201914996Publicationhttps://scholar.google.es/citations?user=CoIlxH0AAAAJvirtual::23040-10000-0002-5541-0758virtual::23040-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000155861virtual::23040-11e5c3dc6-4d9c-406b-9f99-5c91523b7e49virtual::23040-11e5c3dc6-4d9c-406b-9f99-5c91523b7e49virtual::23040-1ORIGINALautorizacion tesis-matematicas.pdfautorizacion tesis-matematicas.pdfHIDEapplication/pdf396919https://repositorio.uniandes.edu.co/bitstreams/213c5c55-efb0-4ea8-9fcc-6edf485a9979/downloadab8991984b24a17d6da5c28758562af5MD51Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdfMétodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdfapplication/pdf1502789https://repositorio.uniandes.edu.co/bitstreams/c7a30dee-6c07-424b-be21-d31d66ed4f53/download3917c0779d8437bf10cc3715dda032dcMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/7e9f259b-8f51-4a59-bd22-0c5e0ce0eaf2/downloadae9e573a68e7f92501b6913cc846c39fMD55TEXTautorizacion tesis-matematicas.pdf.txtautorizacion tesis-matematicas.pdf.txtExtracted texttext/plain1983https://repositorio.uniandes.edu.co/bitstreams/1763f9d9-a501-4d84-a907-3190f49b4b06/downloadd013ef412ce3593b4ff1d832d6455bb6MD56Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdf.txtMétodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdf.txtExtracted texttext/plain101071https://repositorio.uniandes.edu.co/bitstreams/7e27433b-629f-4ee8-a73a-4ded0fc35e63/download8bac7d6ac228b37b9a732bf30c69aba8MD58THUMBNAILautorizacion tesis-matematicas.pdf.jpgautorizacion tesis-matematicas.pdf.jpgGenerated Thumbnailimage/jpeg10684https://repositorio.uniandes.edu.co/bitstreams/43155f66-e92d-4461-8929-a63dd5785d15/download269c0db7a2577b4fdd3d2ebb40ed1661MD57Métodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdf.jpgMétodos de optimización en inferencia variacional de campo medio con un enfoque en transporte óptimo sobre subconjuntos poliédricos en el espacio de Wasserstein.pdf.jpgGenerated Thumbnailimage/jpeg7908https://repositorio.uniandes.edu.co/bitstreams/68ce56bd-eb2f-4e8e-aedb-b9caa6a5d720/download445d6f125f889166f0a0dcde2766d9adMD591992/75955oai:repositorio.uniandes.edu.co:1992/759552025-03-05 09:40:28.579https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |