树状图距离：一种使用层次聚类评估生成网络的度量标准

Nov, 2023

树状图距离：一种使用层次聚类评估生成网络的度量标准

Dendrogram distance: an evaluation metric for generative networks using hierarchical clustering

Gustavo Sutter Carvalho, Moacir Antonelli Ponti

TL;DR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。

Abstract

We present a novel metric for generative modeling evaluation, focusing primarily on generative networks. The method uses dendrograms to represent real and fake data, allowing for the divergence between training a

generative modeling evaluation dendrograms mode collapse training set state-of-the-art approaches

发现论文，激发创造

生成对抗网络评估指标的实证研究

本文研究了生成对抗网络（GAN）的评估方法，发现基于核最大均值差（MMD）和最近邻（1-NN）等指标，可以较好地满足评估需要，同时具备区分真实样本与生成样本的性质，并探究了几种著名 GAN 模型的特性。

Jun, 2018

评估科学生成模型的统计距离实用指南

本研究旨在理解和评估用于科学中生成模型的统计距离，包括 Sliced-Wasserstein、Classifier Two-Sample Tests、Maximum Mean Discrepancy 等方法。通过评估决策模型和生成医学图像模型，展示了这些不同距离对相似数据的不同结果。

Mar, 2024

通过准确率和召回率评估生成模型

通过提出新的分布的精度和召回率的概念，针对生成模型提出了一种新的评估方法，能够分离出分布的两个维度，从而区分生成样本的质量和目标分布的覆盖范围，是一种有效的评价生成模型的算法。

May, 2018

一个使用层次聚类的多尺度图卷积网络

研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。

Jun, 2020

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

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。

Oct, 2022

深度生成模型中的测地线聚类

该论文提出了一种考虑生成模型的几何特性的算法，它可以使得在潜变量表示中使用简单的聚类算法更加有效，同时提出了一种新的用于建模变分自编码器中不确定性的架构。实验表明，此算法能够反映数据的内部结构。

Sep, 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

图生成模型的评价指标

通过引入基于未训练随机 GNN 提取的特征的几个度量标准，完全测试了这些度量标准衡量生成的图的多样性和保真度的能力、其样本和计算效率，并推荐了两种新的度量标准，以用于对 GGM 的评估。

Jan, 2022

分布式学习任务中生成模型的评估

分布式学习任务中生成模型的评估方法主要关注深度生成模型、评估方法、分布式学习、Fréchet inception distance 和 kernel inception distance。

Oct, 2023

基于图距离模拟网络人口

本文提出一种新的模型类别，通过引入基于 Frechet 平均图和控制分布密度的参数，以及基于层级 bayesian 方法的策略，实现多网络数据分析和模拟研究。

Apr, 2019