面向多视图关系嵌入与聚类的Gromov-Wasserstein方法
机器学习
2026-04-28 v1 机器学习
摘要
从多视图关系数据学习低维表示面临挑战，因为不同视图之间的内在几何结构可能不同。我们提出Bary-GWMDS方法，基于Gromov-Wasserstein方法，直接在距离矩阵上学习一致性嵌入，以保持共享关系结构。通过利用内在距离，该方法自然处理跨视图的非线性失真。我们还引入Mean-GWMDS-C，一种聚类导向的表述形式，通过平均距离矩阵并通过一致性Gromov-Wasserstein运输学习降低支持的表示。在合成数据和真实数据集上的实验表明，所提框架能产生稳定且几何上有意义的嵌入。
引用
@article{arxiv.2604.23912,
title = {Gromov-Wasserstein Methods for Multi-View Relational Embedding and Clustering},
author = {Rafael Pereira Eufrazio and Eduardo Fernandes Montesuma and Charles Casimiro Cavalcante},
journal= {arXiv preprint arXiv:2604.23912},
year = {2026}
}
备注
This manuscript is currently under review at the XLIV Simposio Brasileiro de Telecomunicacoes e Processamento de Sinais - SBrT (Brazilian Symposium on Telecommunications and Signal Processing ) 2026