本文将 Gromov-Wasserstein (GW) 量化作为传统 k-means 聚类的扩展。与在空间内进行点聚类的标准 Wasserstein 量化不同，GW 量化还考虑了空间本身的几何结构。该研究证明了 GW 量化的解的存在性，并提出了一种类似于 Lloyd 算法的数值逼近算法。研究还分析了欧几里得几何的量化速率，并通过实验证明 GW 量化提供了新的建模能力，例如用于 3D 形状和神经网络剪枝。 AI
排序理由 该项目是一篇研究论文，详细介绍了一种新算法及其应用。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- 3d Shapes
- Euclidean geometries
- Gromov--Wasserstein
- k-means clustering
- Lloyd's algorithm
- Neural Networks
- Wasserstein metric
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
