English(EN) A dictionary learning framework for graphs via filters and optimal transport

新的图字典学习框架使用最优传输改进分类

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一个新的图字典学习（GDL）框架，该框架将图表示为从其滤波拉普拉斯算子导出的零均值高斯分布。该框架使用学习到的原子图的质心来近似观测到的图，并使用一种新颖的滤波器图距离（fGOT）度量进行测量。通过一种称为代理fGOT（sfGOT）的可处理近似来最小化重构误差，该近似通过反向传播进行端到端优化，并与Hilbert-Schmidt独立性准则相关联，以最大化节点谱嵌入之间的统计依赖性。实验表明，该方法在图聚类和分类任务中取得了有竞争力的性能。 AI

影响引入了一种新的图表示和分析方法，有望提高基于图的机器学习任务的性能。

排序理由该集群包含一篇详细介绍新型图字典学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新型图字典学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jinchuan Liao, Dai Hai Nguyen · 2026-09-10 04:00

一种通过滤波器和最优传输实现图的字典学习框架

arXiv:2609.05919v1 Announce Type: new Abstract: We propose a graph dictionary learning (GDL) framework where each graph is represented as a zero-mean Gaussian distribution derived from its filtered Laplacian. Each observed graph is approximated by a barycenter over learned atom g…

本文如何被排名

报道来源 [1]

一种通过滤波器和最优传输实现图的字典学习框架

相关实体

相关话题