保持局部性的马尔可夫转移用于实例检索
机器学习
2025-06-06 v1
摘要
基于扩散的重排序方法通过亲和图中的相似性传播来建模数据流形，是有效的。然而，正信号在远离源点的若干步后会逐渐衰减，导致局部区域之外的判别能力下降。为了解决这一问题，我们提出了保持局部性的马尔可夫转移（Locality Preserving Markovian Transition, LPMT）框架，该框架采用具有多个状态的长期热力学转移过程来进行精确的流形距离测量。所提出的 LPMT 首先通过双向协同扩散（Bidirectional Collaborative Diffusion, BCD）在不同图上整合扩散过程，以建立强相似性关系。随后，局部状态嵌入（Locality State Embedding, LSE）将每个实例编码为分布以增强局部一致性。这些分布通过热力学马尔可夫转移（Thermodynamic Markovian Transition, TMT）过程相互连接，从而在保持局部有效性的同时实现高效的全局检索。在多样化任务上的实验结果证实了 LPMT 在实例检索中的有效性。
引用
@article{arxiv.2506.05196,
title = {Locality Preserving Markovian Transition for Instance Retrieval},
author = {Jifei Luo and Wenzheng Wu and Hantao Yao and Lu Yu and Changsheng Xu},
journal= {arXiv preprint arXiv:2506.05196},
year = {2025}
}
备注
This paper has been accepted by ICML2025