Oct, 2022

Tree Mover's Distance: 桥接图度量和图神经网络的稳定性

PDF
TL;DR本文提出了一种针对属性图的伪度量（TMD），并研究了它与泛化的关系，显示出 TMD 捕捉了与图分类相关的属性，且良好相关性对于泛化的 GNNs 来说性能下降。
generalizationrobustnessmachine learning modelsattributed graphstree mover's distance
发现论文，激发创造
  • 图形移动距离：一种用于几何图形的高效可计算距离度量

    本文研究了基于地图移动距离的图移动距离（GMD）的计算和使用，探究了其与地图距离的稳定性，并展示了其在字母识别方面的良好实证结果。

    Jun, 2023

  • 图之间的测地距离：一种用于评估图神经网络稳定性的谱度量

    通过引入图测地线距离（GGD）度量，本文提出了一种用于评估图神经网络（GNNs）泛化性和稳定性的光谱框架。通过引入光谱图匹配过程找到节点对应关系并计算其测地线距离，通过减小较大图的尺寸但保留原始光谱特性的阻抗型光谱图粗化方案降低了图的大小。实验证明，所提出的 GGD 度量能够有效量化两个图之间的差异，包括节点之间的有效电阻、切割、随机行走的混合时间等结构（光谱）属性，与最新的 Tree-Mover's Distance（TMD）度量相比，提出的 GGD 度量在仅有部分节点特征可用时，对 GNN 的稳定性评估表现出显著改进。

    Jun, 2024

  • 一个可简易处理的图距离家族

    本研究主要探讨了在度量空间中的对象，如最近邻搜索和聚类等重要数据挖掘问题，以及在图上聚类和分类等的应用。研究发现，虽然一些流行的大规模图距离量度并非度量空间，但可以定义一类包含多种距离度量且具有可计算性和可扩展性的图距离度量方法。此外，研究人员还探讨了如何将节点的属性信息融入度量中。

    Jan, 2018

  • 自适应符号嵌入的树编辑距离学习：补充材料和结果

    该论文提出了一种基于嵌入的新型度量学习方法，通过嵌入树节点向量来学习编辑距离，使欧几里得距离支持类别判别并提高分类准确率，该方法在包括计算机科学、生物医学和自然语言处理数据集的六个基准数据集上优于目前树形度量学习技术的最新技术。

    May, 2018

  • 基于最优输运的结构化数据处理及其在图形学中的应用

    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

  • 低复杂度数据并行的地球移动距离近似算法

    本研究提出了一种基于数据并行的 Earth Mover's Distance 近似算法，具有线性时间复杂度以及适用于高维空间和高重叠概率分布的优势，在文本和图像领域中取得了较高的近似精度。

    Dec, 2018

  • 拓扑距离：一种基于拓扑的方法来评估生成对抗网络

    提出了一种新的度量距离叫做拓扑距离，它可以比较真实数据和生成数据的几何和拓扑特征，同时也能够衡量生成对抗网络（GANs）的学习效果。在多种数据集上，与常用的测量方法进行了比较，证明了该方法是一种强有力的候选指标。

    Feb, 2020

  • 具有泛化保证的监督度量学习

    本篇论文提出一种新的核函数以及一种新的编辑相似性模型，可以更好地优化距离和相似度函数，提高 k 近邻算法的性能，并在学习相似性时考虑到泛化能力与算法的稳定性， 解决了当前度量学习方法的局限性，为特征向量和结构化对象（如字符串或树）的度量学习提供了新方法。

    Jul, 2013

  • 扩散地球移动距离与分配嵌入

    本文提出了一种计算大规模相关高维数据集之间的距离的快速方法，称为扩散地球移位距离（Diffusion Earth Mover's Distance）。通过建模数据集为分布并计算相互作用矩阵来实现，该方法的时间复杂度为 O (n)，并且比基于树的算法更加准确和可微分，适用于深度神经网络等梯度下降框架。实验通过 210 个 COVID-19 样本的单细胞数据表明该方法比同等精确度的方法至少快两个数量级，且可以嵌入更高层次的患者流形中揭示患者间的结构和异质性，并可适用于其他医学和生物模型中大规模数据集的距离计算。

    Feb, 2021

  • 树状图距离：一种使用层次聚类评估生成网络的度量标准

    我们提出了一种用于生成建模评估的新颖度量方法，主要关注生成网络。该方法使用树状图来表示真实数据和虚假数据，从而能够计算训练样本和生成样本之间的差异。该指标专注于模式坍塌，针对无法捕捉训练集中所有模式的生成器。为了评估所提出的方法，在真实数据集上进行了基于采样的验证方案引入，因此该指标在一个受控环境中进行评估，并且证明在与其他最先进的方法相比中具有竞争力。

    Nov, 2023