PulseAugur
中
实时 22:00:06

新方法提升了 Gromov-Wasserstein 距离的可扩展性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了新的方法，使 Gromov-Wasserstein (GW) 距离更具可扩展性和计算效率。一种方法，min Generalized Sliced Gromov Wasserstein (min-GSGW)，使用广义切片器学习异构数据集的兼容映射，从而以更低的成本实现几何匹配和形状分析。另一种方法，Sliced Inner Product Gromov Wasserstein Distances，用内积成本解决了 GW 问题，提供了一种具有旋转不变性的可扩展解决方案，已应用于文本聚类和语言模型表示比较。 AI

影响 这些在 Gromov-Wasserstein 距离方面的进展可以改善异构数据集的对齐，并增强在语言模型比较等领域的应用。

排序理由 两篇 arXiv 论文介绍了计算 Gromov-Wasserstein 距离的新颖方法，重点关注可扩展性和计算效率。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法提升了 Gromov-Wasserstein 距离的可扩展性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Soheil Kolouri ·

    Min Generalized Sliced Gromov Wasserstein: A Scalable Path to Gromov Wasserstein

    We propose min Generalized Sliced Gromov--Wasserstein (min-GSGW), a sliced formulation for the Gromov--Wasserstein (GW) problem using expressive generalized slicers. The key idea is to learn coupled nonlinear slicers that assign compatible push-forward values to both input measur…

  2. arXiv stat.ML TIER_1 English(EN) · Ziv Goldfeld ·

    Sliced Inner Product Gromov-Wasserstein Distances

    The Gromov-Wasserstein (GW) problem provides a framework for aligning heterogeneous datasets by matching their intrinsic geometry, but its statistical and computational scaling remains an issue for high-dimensional problems. Slicing techniques offer an appealing route to scalabil…

相关实体

相关话题