一篇新的综述论文探讨了最优传输方法在比较网络中的应用，特别是在机器学习背景下。该论文详细介绍了三种主要的距离：Wasserstein、Gromov-Wasserstein 和 Bures-Wasserstein，并考察了它们在无向、无权重图上的性质。它还讨论了这些距离如何揭示节点影响力，并提供了使用拉普拉斯谱界定距离的方法。最后，该综述通过使用合成和真实网络数据进行聚类和异常检测任务来评估这些最优传输距离。 AI
影响 本次综述通过为比较复杂网络结构提供统一框架，有望推动机器学习在网络分析中的应用。
排序理由 该条目是一篇发表在 arXiv 上的综述论文，详细介绍了用于网络比较和机器学习应用的一种特定方法（最优传输）。[lever_c_demoted from research: ic=1 ai=1.0]
- anomaly detection
- arXiv
- Bures-Wasserstein distance
- clustering algorithm
- Graph Metrics of Structural Brain Networks in Individuals with Schizophrenia and Healthy Controls: Group Differences, Relationships with Intelligence, and Genetics
- Gromov-Wasserstein distance
- Laplacian spectra of, and random walks on, complex networks: are scale-free architectures really important?
- Network Comparison of Inflammation in Colorectal Cancer and Alzheimer's Disease
- Network science (Cambridge University Press)
- optimal transport
- Wasserstein metric
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
