提出了一个可扩展的 Gromov-Wasserstein 学习(S-GWL)方法,用于大规模图分析,通过学习多个观察到的图的 Gromov-Wasserstein 重心图来实现多图分区和匹配,并将其统一到同一框架中,从而在准确性和效率之间取得了平衡。
May, 2019
本文提出了一种基于 Gromov-Wasserstein 距离的新型非线性因子分解模型,可用于关系图的聚类。
Nov, 2019
该论文提出一种基于 Gromov-Wasserstein 方法的图对齐及嵌入学习框架,通过学习最优传输距离完成图的对齐,以及标记距离来引导嵌入向量的学习,并通过结构正则化减小 Gromov-Wasserstein 距离,使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。
Jan, 2019
提出了一种计算低维空间中两组点之间 Gromov-Wasserstein 问题的框架,通过将 Quadratic Assignment Problem (QAP) 重新表述为低维域的优化问题来解决计算复杂度的挑战。该方法适用于具有成千上万个点的大规模问题,可用于找到全局解,并在合成问题和计算生物学中的一个感兴趣的问题上与最先进的方法进行比较。
Jul, 2023
我们提出了一种新的方法,通过动态规划技术加速精确梯度计算,将复杂度从立方降低到二次,从而突破了原有的计算瓶颈,可以在总二次时间内获得新的熵解,这几乎是最优复杂度。大量实验证实了我们方法的高效性和有效性。
Apr, 2024
提出一种新的基于 Gromov-Wasserstein 距离的分歧方法,称为 Sliced Gromov-Wasserstein,它可以通过分片方法处理大规模分布,并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。
本文探讨使用 Gromov-Wasserstein 距离进行图像比较时所涉及的质量损失和计算效率问题,并提出了一种新的模糊 Gromov-Wasserstein 距离,以提高计算效率和准确度,同时在图形字典学习和分区学习等多个领域实现了优异表现。
Oct, 2021
该研究考虑如何计算结构化对象间的距离,并提出了一种新的用于概率分布度量的运输距离 ——Fused Gromov-Wasserstein(FGW),成功在图分类任务中超越了传统方法,对于图的聚类问题也起到了积极的作用。
May, 2018
对于机器学习中的许多应用而言,图的成对比较是关键,涉及到聚类、基于核的分类 / 回归和最近监督图预测等。图之间的距离通常依赖于这些结构化对象的有效表示,例如子结构的集合或其他图嵌入。本研究引入了一种用于比较具有节点和边特征的图的 Gromov-Wasserstein 距离的扩展,提出了距离和重心计算的新算法,并在分类和图预测等图出现在输入空间或输出空间时的学习任务中经验证明了新距离的有效性。
Sep, 2023
在本研究中,我们提出了一种新的基于图的优化传输的 “准瓦砂坊” 损失函数,应用于图神经网络中的节点级预测任务,从而消除节点嵌入和标签之间的非独立同分布性,并且改进了节点级分类和回归任务的性能。
Oct, 2023