Feb, 2024
使用部分遮罩融合格罗莫夫 - 瓦瑟斯坦匹配的端到端监督预测任意大小的图
End-to-end Supervised Prediction of Arbitrary-size Graphs with Partially-Masked Fused Gromov-Wasserstein Matching
Paul Krzakala, Junjie Yang, Rémi Flamary, Florence d'Alché Buc, Charlotte Laclau...
TL;DR我们提出了一种新颖的端到端深度学习方法，用于监督图预测。我们引入了一种原始的基于最优传输的损失函数，即部分遮蔽融合 Gromov-Wasserstein 损失函数（PM-FGW），可以直接利用图形表示（如邻接和特征矩阵）。PM-FGW 具有 SGP 所需的所有理想属性：节点排列不变性，次可微性，并通过比较它们的填充表示和遮罩向量来处理不同大小的图形。此外，我们还提出了一种灵活的基于 Transformer 的架构，可以轻松适应不同类型的输入数据。在实验部分，我们展示了该方法相对竞争对手在一个新颖而具有挑战性的合成数据集（image2graph）和两个真实世界任务（image2map 和 fingerprint2molecule）上的效率和多功能性。