SLOSH：基于切片 Wasserstein 嵌入的集合局部敏感哈希
机器学习
2022-02-10 v2 计算机视觉与模式识别
摘要
从集合结构数据中学习是一个重要问题，在机器学习和计算机视觉中有诸多应用。本文关注使用近似最近邻（ANN）方案（特别是局部敏感哈希）从集合结构数据中进行非参数且与数据无关的学习。我们考虑从输入集合查询中进行集合检索的问题。此类检索问题需要：1）计算集合间距离/相异度的有效机制，以及2）用于快速最近邻搜索的合适数据结构。为此，我们提出切片 Wasserstein 集合嵌入作为一种计算高效的“集合到向量”机制，可在理论保证下支持下游ANN。集合元素被视为来自未知底层分布的样本，并使用切片 Wasserstein 距离来比较集合。我们在多个集合检索数据集上展示了我们称为集合局部敏感哈希（SLOSH）的算法的有效性，并将我们提出的嵌入与标准集合嵌入方法（包括广义均值（GeM）嵌入/池化、特征级排序池化（FSPool）和协方差池化）进行比较，显示出检索结果的一致提升。复现我们结果的代码见：\href{https://github.com/mint-vu/SLOSH}{https://github.com/mint-vu/SLOSH}。
引用
@article{arxiv.2112.05872,
title = {SLOSH: Set LOcality Sensitive Hashing via Sliced-Wasserstein Embeddings},
author = {Yuzhe Lu and Xinran Liu and Andrea Soltoggio and Soheil Kolouri},
journal= {arXiv preprint arXiv:2112.05872},
year = {2022}
}