4 个月前

结构化数据的最优传输及其在图上的应用

结构化数据的最优传输及其在图上的应用

摘要

这项研究考虑了在特定度量空间中计算结构对象(如无向图)之间距离的问题,这些对象被视为概率分布。我们提出了一种新的运输距离(即最小化概率质量传输的总成本),揭示了结构对象空间的几何特性。与仅关注特征(通过考虑特征空间中的度量)或结构(将结构视为度量空间)的 Wasserstein 或 Gromov-Wasserstein 度量不同,我们的新距离同时利用了这两方面的信息,因此被称为融合 Gromov-Wasserstein 距离(Fused Gromov-Wasserstein, FGW)。在讨论其性质和计算方面之后,我们在一个图分类任务中展示了该方法的结果,其中我们的方法优于图核和深度图卷积网络。进一步利用 FGW 的度量性质,我们还展示了和讨论了一些有趣的几何对象,如图的 Fréchet 均值或重心,在聚类上下文中进行了说明。

代码仓库

tvayer/FGW
GitHub 中提及

基准测试

基准方法指标
graph-classification-on-enzymesFGW sp
Accuracy: 71.00%
graph-classification-on-mutagFGW wl h=2 sp
Accuracy: 86.42%
graph-classification-on-mutagFGW wl h=4 sp
Accuracy: 88.42%
graph-classification-on-mutagFGW raw sp
Accuracy: 83.26%
graph-classification-on-nci1FGW wl h=4 sp
Accuracy: 86.42%
graph-classification-on-nci1FGW raw sp
Accuracy: 72.82%
graph-classification-on-nci1FGW wl h=2 sp
Accuracy: 85.82%
graph-classification-on-proteinsFGW sp
Accuracy: 74.55%

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
结构化数据的最优传输及其在图上的应用 | 论文 | HyperAI超神经