基于扩散的流形对齐的图集成

单个观测的数据可以来自各种来源或模态，但往往内在关联。与单源数据相比，多模态数据集成可以丰富信息内容。流形对齐是一种数据集成形式，旨在寻找多个数据源共享的、底层的低维表示，强调同一实体不同表示之间的相似性。半监督流形对齐依赖于领域之间部分已知的对应关系，无论是通过共享特征还是通过其他已知关联。在本文中，我们引入了两种半监督流形对齐方法。第一种方法，域并集上的最短路径，通过已知对应关系形成统一图结构来建立图边。通过学习域间测地距离，创建全局多域结构。第二种方法，MASH，通过随机跳跃进行流形对齐，学习每个域内的局部几何，并利用已知对应关系形成联合扩散算子，通过随机游走方法迭代学习新的域间对应关系。通过扩散过程，MASH形成一个耦合矩阵，将异构域链接到统一结构中。我们将SPUD和MASH与现有的半监督流形对齐方法进行比较，结果表明它们在对齐真实对应关系和跨域分类方面优于竞争方法。此外，我们展示了这些方法如何应用于在域之间传递标签信息。