Jun, 2020

跨领域对齐的图优化传输

PDF
TL;DR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。
graph optimal transportcross-domain alignmentoptimal transportwasserstein distancegromov-wasserstein distance
发现论文，激发创造
  • 词嵌入空间的 Gromov-Wasserstein 对齐

    本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

    Aug, 2018

  • GOT: 一种图比较的最优传输框架

    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

  • 基于优化传输和嵌入方法的无监督图对齐中提供更多表达性

    无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为 CombAlign 的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的 Gromov-Wasserstein 学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

    Jun, 2024

  • 多模态分布对齐的分层最优输运

    该研究提出了一个基于最优传输与聚类结构相结合的层级对齐方法，同时采用 ADMM 算法和 Sinkhorn 距离来提高噪声、模糊或多峰数据的对齐精度，并在合成数据和神经信号解码中进行了应用，表明该方法对于具有一致聚类结构的数据集在跨领域对齐方面具有显著的性能改进作用。

    Jun, 2019

  • 最优输运在图匹配中的应用

    本文提出一种名为 GOAT 的修正版算法，它使用最优输运的方法替代了线性分配算法，以加快计算和提高准确性，用于解决图匹配问题。

    Nov, 2021

  • 通过联合结构学习和最优传输实现强韧属性图对齐

    本论文提出了 SLOTAlign—— 一个无监督的图对齐框架，将图对齐转化为两个矩阵间的最优运输问题，结合多视图结构学习增强了图表示能力并减少了图之间继承的结构和特征不一致性的影响，在六个无监督图对齐数据集和 DBP15K 知识图谱对齐基准数据集上的实验表明，SLOTAlign 表现出卓越的性能和最强的鲁棒性。

    Jan, 2023

  • 最优输运图神经网络

    本文介绍了 OT-GNN 模型，该模型利用参数原型计算图嵌入，并通过参数原型和乘子做到了与传统的求和聚合不同的方法，通过几项分子属性预测任务的实验证明，此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。

    Jun, 2020

  • DHOT-GM：使用可微层次最优输运框架的稳健图匹配

    本研究提出了一种基于可微分分层最优传输（HOT）框架的新颖有效的图匹配方法，称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图，并通过加权平均匹配结果推断节点对应关系，其匹配结果是在关系矩阵之间通过 Gromov-Wasserstein（GW）距离计算的最优传输方案，所有匹配结果的权重是在矩阵集合上定义的上层最优传输方案的元素。实验证明，与现有方法相比，我们的方法在各种图匹配任务中表现出更高的优越性和鲁棒性。

    Oct, 2023

  • 高维图距离、嵌入对齐等场景下能够扩展的最优传输算法

    本文提出两种有效的对数线性时间逼近方法来计算熵正则化最优输运问题，并提出了一种结合图神经网络和增强 Sinkhorn 的图输运网络，并实验证明它在节点数量方面具有对数线性的规模，并在图距离回归方面优于以前的模型 48%。

    Jul, 2021

  • 半约束最优输运用于具有悬挂情况的实体对齐

    本研究提出了一种名为 SoTead 的无监督方法，用于提高实体对齐的性能，并解决不同知识图谱中的悬挂实体问题。该方法通过预先训练的词嵌入将实体对之间的转化成为最优传输问题，并引入虚拟实体对各 KG 中的悬挂实体进行对齐，最终实现一个半约束最优传输的实体对齐模型。在实验部分中，我们展示了 SoTead 在常用数据集上的优越表现，并证明其在其他基线模型中检测悬挂实体的能力。

    Mar, 2022