重新审视Gromov-Wasserstein距离的不变性并引入先验
机器学习
2023-07-20 v1 基因组学
机器学习
摘要
Gromov-Wasserstein距离因能跨度量空间比较测度且对等距变换具有不变性，在机器学习中已有诸多应用。然而，在某些应用中，该不变性可能过于灵活，从而不合需要。此外，Gromov-Wasserstein距离仅考虑输入数据集中成对的样本相似性，忽略了原始特征表示。我们提出一种基于最优传输的新距离，称为增广Gromov-Wasserstein（Augmented Gromov-Wasserstein），可一定程度控制对变换的刚性水平。它还融入特征对齐，使我们能更好地利用关于输入数据的先验知识以提升性能。我们给出了关于所提度量的理论洞见。随后我们展示了其在单细胞多组学对齐任务及机器学习中迁移学习场景中的效用。
引用
@article{arxiv.2307.10093,
title = {Revisiting invariances and introducing priors in Gromov-Wasserstein distances},
author = {Pinar Demetci and Quang Huy Tran and Ievgen Redko and Ritambhara Singh},
journal= {arXiv preprint arXiv:2307.10093},
year = {2023}
}