研究人员开发了一种新的度量标准,称为 Sierpiński-Knopp (SK) Wasserstein 距离,用于比较持久性图。这种距离度量使用空间填充曲线将图点映射到单位区间,从而实现高效的一维匹配。SK-Wasserstein 距离被证明可以控制经典的 2-Wasserstein 距离,可以嵌入到希尔伯特空间中,并生成与学习方法兼容的高斯核。实验表明,与现有方法相比,速度显著提高,基于 SK-Wasserstein 距离的聚类取得了有竞争力的结果。 AI
影响 这项新度量标准可能会增强依赖于拓扑数据分析的机器学习应用。
排序理由 该集群描述了一种新的数学度量标准及其在研究论文中的应用。
- 2-Wasserstein distance
- Euclidean
- Hilbert space
- Sebastien Tchitchek
- SK-Wasserstein distance
- Gaussian spectral clustering
- Hilbert k-means
- Rand index
- Sierpiński-Knopp space-filling curve
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →