Jul, 2022

基于Weisfeiler-Lehman子树的$L_1$-近似树编辑距离的Wasserstein图距离

HTML
PDF
TL;DR本文首次阐明了 Weisfeiler-Lehman 测试仅考虑了图一致性因而弱化了结构信息描述能力的事实，并定义了一种叫做 Wasserstein WL subtree (WWLS) 距离的度量。通过引入 WL 子树作为节点附近的结构信息并将其指定给每个节点，我们定义了一种新的基于 L_1 近似树编辑距离（L_1-TED）的图嵌入空间，并且使用 Wasserstein 距离来反映将 L_1-TED 度量到图级别的变化。我们在多个图分类和度量验证实验中展示了 WWLS 的性能。
发现论文，激发创造
  • Wasserstein Weisfeiler-Lehman图核

    本文介绍了一种基于Wasserstein距离和Weisfeiler-Lehman embedding的新型图卷积核方法，以图像高维对象的方式比较图结构之间的相似性并在多个图分类任务上提高了预测性能。

    Jun, 2019

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在WordNet和两个知识库图上进行了评估。

    Jun, 2019

  • 基于Wasserstein嵌入的图学习

    本研究提出了针对图学习的 Wasserstein Embedding 方法，并应用不同的机器学习模型来进行图预测任务，利用节点嵌入分布的相似度来定义图之间的相似性，并用 Wasserstein 距离度量两者之间的差异，不同于现有方法，避免了两两计算不同的图之间的距离，将计算复杂度从二次线性降至一次线性，并证明了该方法在各项基准图属性预测任务中具有优秀的分类表现及计算效率。

    Jun, 2020

  • 基于多尺度图嵌入的图核

    本文提出了一种新型图核心方法，称为多尺度路径结构图核心方法（MPG），它考虑了子结构的分布和不同尺度的图结构，并使用Wasserstein距离计算相似度，实验结果表明其性能超越了现有方法。

    Jun, 2022

  • 使用树来近似计算1-Wasserstein距离

    本篇论文介绍了一种基于树状嵌入的Wasserstein距离的计算方式，通过L1正则化方法来学习树的边缘权重，并通过Lasso-based回归问题实现最短路径距离的表示，从而近似计算1-Wasserstein距离。通过实验结果，证明了这种方法可以准确地近似1-Wasserstein距离。

    Jun, 2022

  • 图的Bures-Wasserstein平均值

    本文提出了一种基于嵌入空间和Wasserstein距离度量的图平均值定义框架，可通过迭代算法计算得出可保留结构信息的均值图，该框架在结构图聚类、功能脑网络分类和半监督节点分类中表现优异，是一个有价值的实用工具。

    May, 2023

  • Gromov-Wasserstein几何形态下的谱保持图粗化

    该研究从不同的角度研究了图的加粗技术，并提出了一种保持图距离的方法，该方法使用 Gromov-Wasserstein（GW）距离，并采用加权核 K-means 方法最小化两个图的距离及其加粗版本之间的差异，以此来改进现有的谱保存方法。研究还包括一组实验，支持理论和方法，包括利用谱信息对图进行分类和回归。

    Jun, 2023

  • 融合网络格罗莫夫－华松斯坦距离来利用图中的边缘特征

    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

  • EUGENE：可解释的无监督图编辑距离近似

    本文提出了一种高效的代数无监督方法EUGENE，它近似计算图的编辑距离，并产生对应的编辑路径，同时消除了对真实编辑距离的生成和数据特定训练的需求。广泛的实验评估表明，EUGENE在各个基准数据集中始终排名最准确的方法之一，并且胜过大部分神经网络方法。

    Feb, 2024

  • Z-格罗莫夫-瓦瑟坦距离

    本文提出了一种新的Z-格罗莫夫-瓦瑟坦距离(Z-GW距离)，旨在填补现有度量空间间比较方法的空缺。通过定义Z-网络的概念，研究者提出了一种有效的比较框架，为理解多种度量提供了一种统一的方法。结果表明，Z-GW距离在Z-网络空间上定义了一个保留分离性、完备性和测地性等优良性质的度量，为实践应用提供了可计算的下界和近似值。

    Aug, 2024