用 Gromov-Wasserstein 在聚类与降维之间插值
机器学习
2023-10-06 v1 机器学习
摘要
我们提出了对现有降维（DR）目标的一种通用适配，能够同时缩减样本量与特征量。输入样本与嵌入样本之间的对应通过半松弛 Gromov-Wasserstein 最优传输（OT）问题计算。当嵌入样本量与输入相匹配时，我们的模型恢复经典流行的 DR 模型。当嵌入的维度不受约束时，我们证明该 OT 方案给出了一种有竞争力的硬聚类。我们强调了融合 DR 与聚类的中间阶段对于汇总真实数据的重要性，并将我们的方法应用于图像数据集的可视化。
引用
@article{arxiv.2310.03398,
title = {Interpolating between Clustering and Dimensionality Reduction with Gromov-Wasserstein},
author = {Hugues Van Assel and Cédric Vincent-Cuaz and Titouan Vayer and Rémi Flamary and Nicolas Courty},
journal= {arXiv preprint arXiv:2310.03398},
year = {2023}
}