Oct, 2023

DHOT-GM：使用可微层次最优输运框架的稳健图匹配

PDF
TL;DR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。
发现论文，激发创造
  • 网络对齐的分层多边际最优输运

    多网络对齐的多层次多边界优化传输框架（HOT）通过分解网络，使用融合的 Gromov-Wasserstein（FGW）质心来处理大规模的解空间，并基于多边界设置将 FGW 距离推广到多网络对齐中，进而开发了一种快速的邻近点方法以获得局部最优解，通过广泛的实验证明了 HOT 在效果和可扩展性方面都明显优于现有技术的成果。

    Oct, 2023

  • 跨领域对齐的图优化传输

    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

  • 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

  • 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

  • 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

  • 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

  • 可微分的近端图匹配

    本文介绍了一种基于邻近算子的图匹配算法 (DPGM)，通过将图匹配问题转化为一系列凸优化问题，实现了从图亲和矩阵到节点对应预测的可微分映射，该方法能够与深度学习框架有机地集成在一起，同时在合理的迭代次数内收敛于稳定点，并在多样数据集和 PASCAL VOC 关键点上取得了良好性能，超过了现有的图匹配算法。

    May, 2024

  • 图匹配与节点嵌入的 Gromov-Wasserstein 学习

    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

  • 通过逆最优输运学习匹配

    本文提出了一种基于反向最优传输的统一数据驱动框架，可从噪声和不完整的实证匹配矩阵中学习自适应、非线性交互成本函数并在各种匹配环境下预测新的匹配。

    Feb, 2018

  • 分层最优输运用于文档表示

    该论文介绍了基于分布和话题建模的层次最优输运方法作为文档之间的元距离，以量化文档之间的相似性。这种方法具有解释性和可扩展性，并在 k-NN 分类方面表现良好。

    Jun, 2019