半松弛 Gromov-Wasserstein 散度及其在图上的应用
机器学习
2022-03-02 v3
摘要
比较图等结构化对象是许多学习任务中的基本操作。为此，基于最优传输（OT）的 Gromov-Wasserstein（GW）距离已被证明能成功处理相关对象的特定性质。更具体地，通过节点连通关系，GW 在被视为特定空间上概率测度的图上运作。OT 的核心思想是质量守恒，其强加所考虑两图中所有节点间的耦合。我们在本文中主张该性质对图字典或划分学习等任务可能有害，并通过提出一种新的半松弛 Gromov-Wasserstein 散度对其松弛。除直接的计算益处外，我们讨论其性质，并表明其可导向高效的图字典学习算法。我们凭经验证明其在图上的划分、聚类和补全这类复杂任务中的相关性。
引用
@article{arxiv.2110.02753,
title = {Semi-relaxed Gromov-Wasserstein divergence with applications on graphs},
author = {Cédric Vincent-Cuaz and Rémi Flamary and Marco Corneli and Titouan Vayer and Nicolas Courty},
journal= {arXiv preprint arXiv:2110.02753},
year = {2022}
}
备注
Published as a conference paper at ICLR 2022