研究人员开发了一种利用 Gromov--Wasserstein (GW) 和融合 Gromov--Wasserstein (fGW) 距离的 $k$-最近邻 ($k$-NN) 分类方法。该方法可以直接比较具有不同节点数的图，并可纳入节点特征。研究证明了这些基于 GW 的 $k$-NN 分类器对于一般图和节点属性图的通用一致性，实验结果显示出强大的性能。 AI
排序理由 这是一篇研究论文，详细介绍了一种新的图比较和分类方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.10295v1 Announce Type: new Abstract: The Gromov--Wasserstein (GW) distance provides a framework for comparing metric measure spaces, regardless of their underlying structure or geometry. For network-based data, it enables direct comparisons of graphs with different num…
The Gromov--Wasserstein (GW) distance provides a framework for comparing metric measure spaces, regardless of their underlying structure or geometry. For network-based data, it enables direct comparisons of graphs with different numbers of nodes, without requiring an embedding or…