面向图数据的离群鲁棒Gromov-Wasserstein距离
机器学习
2023-10-31 v2 机器学习
摘要
Gromov-Wasserstein（GW）距离是一种用于比较和对齐定义在不同度量空间上的概率分布的强大工具。近来，GW已成为广泛图学习任务中对齐异质数据的主要建模技术。然而，已知GW距离对离群点高度敏感，若在目标函数中赋予离群点与其他样本相同权重，可能导致较大误差。为缓解此问题，我们引入一种称为RGW的GW距离新鲁棒版本。RGW在基于Kullback-Leibler散度的模糊集内具有乐观扰动的边缘约束。为使RGW在实践中的优势更易获取，我们利用Bregman邻近交替线性化最小化算法开发了计算高效且理论可证的流程。通过大量实验，我们验证了理论结果，并展示了RGW在子图匹配与部分形状对应等真实图学习任务上的有效性。
引用
@article{arxiv.2302.04610,
title = {Outlier-Robust Gromov-Wasserstein for Graph Data},
author = {Lemin Kong and Jiajin Li and Jianheng Tang and Anthony Man-Cho So},
journal= {arXiv preprint arXiv:2302.04610},
year = {2023}
}