研究人员开发了基于Gromov-Wasserstein的新方法，用于从多视图关系数据中学习低维表示，特别是在不同视图具有不同底层几何形状时。提出的Bary-GWMDS方法直接使用距离矩阵创建一致性嵌入，以保持共享的关系结构，有效处理非线性失真。此外，Mean-GWMDS-C通过平均距离矩阵并学习通过一致性Gromov-Wasserstein传输的表示，提供了一种以聚类为中心的方法，在各种数据集上显示出稳定且几何上合理的结果。 AI
影响 引入了新颖的多视图数据表示几何方法，可能改进机器学习中的聚类和嵌入任务。
排序理由 这是一篇详细介绍数据表示和聚类新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.23912v1 Announce Type: cross Abstract: Learning low-dimensional representations from multi-view relational data is challenging when underlying geometries differ across views. We propose Bary-GWMDS, a Gromov-Wasserstein-based method that operates directly on distance ma…
Learning low-dimensional representations from multi-view relational data is challenging when underlying geometries differ across views. We propose Bary-GWMDS, a Gromov-Wasserstein-based method that operates directly on distance matrices to learn a consensus embedding preserving s…