COPT: 协调优化输运以进行图形素描
通过基于熵正则化最优输运的新方法和 Gromov-Wasserstein 距离概念,实现并优化了联合聚类的算法,可以自动地确定行和列聚类的数量,并在广泛的实验评估中展示了其快速和准确的功能。
May, 2017
我们提出了一个完全新的基于最优传输的框架,用于比较图形,该框架能够有效地解决不同任务,如图形对齐,图形分类和图形信号预测问题,通过显式解析 Wasserstein 距离的表达式,其中图拉普拉斯矩阵被用来描述类似于曲面的图形信号分布的概率分布,最终优化处理的难点是用基于贝叶斯探索的随机算法来破解图形对齐问题的非凸性。
Jun, 2019
本文提出了基于图的最优传输(GOT)框架,采用最优传输学习跨领域映射,通过表示实体和动态构建的图来解决节点和结构之间的匹配问题,并通过节点匹配和结构匹配的 Wasserstein 距离和 Gromov-Wasserstein 距离用于损失公式实现对齐,在包括图像 - 文本检索、视觉问答、图像描述、机器翻译和文本摘要等各种任务中取得了一致的高效表现。
Jun, 2020
本文提出一个非线性广义离散最优传输模型,可应用于领域自适应和自然语言处理中,同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。
Dec, 2017
比较最优输运的图表近期引起了相当大的关注,由于最优输运所引发的距离既提供了图表之间的合理度量,又给出了关联图表之间在输运计划方面的可解释描述;由于缺乏对称性,在通常考虑的形式中引入了挑战,因此图表的最优输运距离主要针对无向图进行了开发。在本文中,我们提出了两种基于变种最优输运的距离度量来比较有向图:(i) 汉明距离 (Wasserstein) 和 (ii) Gromov-Wasserstein (GW) 距离。我们评估了这两种距离,并讨论了它们在模拟图表数据和从单细胞 RNA 测序数据推断的真实世界有向细胞间通信图表中的相对性能。
Sep, 2023
本文提出了一种基于最优传输理论的数据集距离度量方法,不依赖于具体模型参数及训练数据,能够更好地比较数据集的相似度,与转移学习难度具有很好的相关性。
Feb, 2020
该研究介绍了一种基于神经网络的算法,用于计算强和弱输运成本的最优输运图和计划,并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022