基于广义切片 Wasserstein 嵌入的集合表征学习
机器学习
2021-03-09 v1
摘要
越来越多的机器学习任务涉及从集合结构数据中学习表征。这些问题的解法通常包含置换等变模块（如自注意力，或通过前馈神经网络进行独立处理）与置换不变模块（如全局平均池化，或多头注意力池化）的组合。本文提出一个几何可解释的框架，用于从集合结构数据中学习表征，其根植于最优传输问题。具体而言，我们将集合中的元素视为某一概率测度的样本，并提出广义切片 Wasserstein（GSW）距离的精确欧氏嵌入，以有效地从集合结构数据中学习。我们在多个监督与无监督集合学习任务上评估了所提框架，并展示了其相对于最先进集合表征学习方法的优越性。
引用
@article{arxiv.2103.03892,
title = {Set Representation Learning with Generalized Sliced-Wasserstein Embeddings},
author = {Navid Naderializadeh and Soheil Kolouri and Joseph F. Comer and Reed W. Andrews and Heiko Hoffmann},
journal= {arXiv preprint arXiv:2103.03892},
year = {2021}
}