M3C：一种面向混合图匹配与聚类的收敛、灵活且无监督学习框架
机器学习
2023-10-31 v1
摘要
现有的图匹配方法通常假设图之间存在相似结构且可匹配。然而，这些假设与真实世界应用不符。本工作解决一个更现实的场景：图呈现多种模式，需要在匹配之前或同时进行图分组，该任务被称为混合图匹配与聚类。我们引入Minorize-Maximization匹配与聚类（M3C），一种无学习算法，通过Minorize-Maximization框架保证理论收敛，并通过松弛聚类提供增强的灵活性。基于M3C，我们开发了UM3C，一种融合新颖的边级亲和度学习和伪标签选择的无监督模型。在公开基准上的大量实验结果表明，我们的方法在准确率和效率上均优于最先进的图匹配以及混合图匹配与聚类方法。源代码将公开可用。
引用
@article{arxiv.2310.18444,
title = {M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering},
author = {Jiaxin Lu and Zetian Jiang and Tianzhe Wang and Junchi Yan},
journal= {arXiv preprint arXiv:2310.18444},
year = {2023}
}
备注
26 pages, 10 figures