可扩展的无监督通用度量和非度量结构对齐
提出了一种计算低维空间中两组点之间 Gromov-Wasserstein 问题的框架,通过将 Quadratic Assignment Problem (QAP) 重新表述为低维域的优化问题来解决计算复杂度的挑战。该方法适用于具有成千上万个点的大规模问题,可用于找到全局解,并在合成问题和计算生物学中的一个感兴趣的问题上与最先进的方法进行比较。
Jul, 2023
本文研究如何进行领域自适应,特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束,得到了一个利用该流形上的理论上合理测地线距离的损失函数,从而比以前的方法表现更好。
May, 2017
提出协方差对齐模型以研究和比较各种对齐方法,并建立一个非标准维度缩放的最小最大下界,该下界通过自然准最大似然估计取得,但该估计涉及计算不可行的排列搜索,为了克服这个限制,证明了崇高 - 瓦瑟斯坦算法的最小最大最优性。这些结果为实践中使用 Gromov-Wasserstein 算法提供了首个统计学上的理论依据。
Nov, 2023
本文提出了一种将大规模非度量差异矩阵转换为近似正半定核矩阵的有效而准确的技术,该技术结合了 Nystroem 逼近、潜在双中心化和特征值修正,并在几个大规模差异数据集上进行了实验。
Nov, 2014
本文旨在提出一种新的基于正交矩阵和置换矩阵联合估计的点集对齐算法,并应用在自然语言处理和计算机视觉领域的单语数据的无监督单词翻译问题中,实现了比竞争对手更先进效果却需要更少的计算资源
May, 2018
我们研究了 Procrustes-Wasserstein 问题,使用欧几里得传输成本作为性能度量,提出了 Ping-Pong 算法,用于匹配高维点云,并与现有方法进行比较。
May, 2024
图领域适应性研究中,本文提出了一种新颖的、基于理论原则的方法,即配对校准(Pair-Align),以解决图结构的移动性问题。通过减轻条件结构移位和标签移位,Pair-Align 利用边权重重新校准相邻节点之间的影响,并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能,包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用,我们还创建了迄今为止最大的 GDA 研究数据集,并在合成和其他现有基准数据集上展示了强大的性能。
Mar, 2024
我们提出了一种基于优化输运的机器学习方法,该方法不仅提取不变特征,而且在提取特征时还限制了标签相似性,以实现跨多个领域的分类。实验结果表明,该方法优于大部分基线方法,各组件的消融研究也证明了方法的有效性。
Jul, 2020
采用深度学习方法实现无监督域自适应,通过研究源域和目标域之间的二阶矩对齐可以最小化熵,提出了一种比欧几里得方法更有原则性的策略,利用源到目标的正则化器以无监督和数据驱动的方式量化,并在标准性的域适应基准测试中证实了该框架的优势。
Nov, 2017
提出了两种不平衡的 Gromov-Wasserstein 公式:一种是基于松弛质量守恒约束的正定差异,另一种是基于锥形提升的等距测距,它们都允许比较拥有正定度量的任意正度量的测度空间 (isometries)。
Sep, 2020