Gromov--Wasserstein
PulseAugur coverage of Gromov--Wasserstein — every cluster mentioning Gromov--Wasserstein across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的Gromov-Wasserstein方法对齐不同几何空间中的分布
研究人员开发了一种名为恒定曲率切片Gromov-Wasserstein（CCSGW）的新散度度量，用于对齐双曲和球面几何等异构恒定曲率空间中的概率分布。该方法解决了在混合曲率模型中比较分布的挑战，而这些模型以前缺乏几何一致性的明确机制。CCSGW通过保留内在几何关系，能够进行高效且有原则的比较，并在图异常检测和多模态学习等任务中展示了性能提升。
-
公布了用于 Gromov-Wasserstein 嵌入的新归纳式框架
研究人员开发了一种新的 Gromov-Wasserstein 多维标度 (GW-MDS) 归纳式框架，该框架允许映射未见过的样本。这种方法称为重心蒸馏，它使用教师模型从训练数据中学习潜在表示和最优传输计划。然后，学生神经网络通过利用重心投影来学习显式的样本外映射，从而有效地将传导式 GW 嵌入与归纳式神经网络映射联系起来。实验表明，这种蒸馏模型在新数据上保留了教师的几何结构，并且优于直接的神经网络 GW 训练。
-
新的归纳框架支持对未见数据的GW-MDS映射
研究人员开发了一种用于Gromov-Wasserstein多维缩放（GW-MDS）的归纳框架，该框架能够对未见样本进行映射，克服了先前方法的转导限制。这种新方法称为重心蒸馏，包括一个GW-MDS“教师”模型，该模型从训练数据中学习潜在空间和最优传输计划。然后，“学生”神经网络通过重心投影将教师的耦合转换为样本对齐的目标，从而学习显式的样本外映射。实验表明，这种蒸馏模型能够有效地在新数据上保留教师的几何特性，并且优于直接的神经GW训练。
-
新研究论文详述用于强化学习和GW问题的先进优化算法
两篇新研究论文探讨了机器学习优化算法的进展。第一篇论文介绍了一种用于强化学习的“快速正则化策略镜像下降”方法，在无需重置轨迹的情况下提供了改进的收敛保证和样本复杂度。第二篇论文提出了用于熵化Gromov-Wasserstein问题的“平均镜像下降”和对偶梯度方法，证明了比以往更广泛成本函数的收敛性，并在某些场景下优于经典方法。
-
新方法解决人工智能应用中的多维度匹配问题 · 跟踪3 个来源
研究人员开发了解决多维度匹配问题的新方法，这对于对齐结构化对象和分布至关重要。一种方法在 2026 年 9 月 24 日提交的一篇论文中详细介绍，该方法使用谱投影将问题简化为一维排序，在某些条件下可实现最优的纳什社会福利 (NSW)，并表现出对噪声的稳定性。另一篇于 2026 年 9 月 30 日提交的论文使用对偶理论统一了一类广泛的匹配问题，将其应用于二次匹配和 Gromov-Wasserstein 问题，并大规模实现了这些算法在各…
-
新方法使用最优传输进行监督图预测
研究人员开发了一种新的监督图预测（SGP）方法，该方法解决了具有任意节点顺序的预测图和目标图的比较难题。该方法利用最优传输松弛，特别是Gromov-Wasserstein目标函数，该函数已被确定为最适合SGP。为了提高效率，该方法通过使用基于Sinkhorn算法的参数化匹配器来摊销图匹配问题，从而允许图预测模块和匹配器联合学习。
-
新的SGWIB框架提高了视频精彩片段检测的准确性
研究人员开发了一个名为SGWIB（切片Gromov-Wasserstein信息瓶颈）的新框架，用于视频精彩片段检测。该方法旨在通过学习紧凑的表示来识别重要的视频片段，同时保留片段之间的时间关系。SGWIB包含一个结构感知正则化器和一个上下文解耦模块，以减少体育特定偏见并提高精彩片段预测的准确性。实验表明，SGWIB在精彩片段检测的关键指标上优于以前的单模态方法。
-
新的 HELLO 求解器大幅提升大规模最优传输性能
研究人员开发了 HELLO，一种新颖的分层求解器，旨在解决大规模最优传输（OT）问题。该方法将 OT 视为一个边缘定位任务，利用双势能进行初始化和精炼。与现有方法相比，HELLO 在数千维度的百万级数据点规模下，实现了显著的运行时间改进和更低传输目标。该框架还展示了在单个 NVIDIA H100 GPU 上扩展到 8192 维度的 128 万个样本的能力，内存使用可控，同时保持高精度。
-
新的 Gromov-Wasserstein 对偶增强图同构测试
研究人员为 Gromov-Wasserstein (GW) 距离开发了一种新的对偶结果，适用于所有有限支持的度量测度空间。这一进展提高了经验 GW 距离的样本复杂度，并为使用样本测试图同构提供了一个原则性框架。该工作还引入了用于解决正则化 GW 问题的算法，并具有正式的收敛保证。
-
新的FALCON框架增强了无监督超图对齐
研究人员开发了FALCON，一种新颖的无监督超图对齐框架，它利用多尺度Gromov-Wasserstein目标。该方法在超图的不同过滤级别上构建一系列不相似性矩阵，以强制执行全局一致的节点对应关系。实验表明，FALCON对结构噪声具有鲁棒性，并且与现有的图和超图对齐基线相比，其性能更优。
-
新的手性Gromov-Wasserstein距离可捕捉形状手性
研究人员引入了一种新的Gromov-Wasserstein目标的多线性泛化，旨在更有效地分析形状数据，特别是手性对象。这个新框架，包括用于 $G = SO(d)$ 的手性Gromov-Wasserstein ($\mathrm{CGW}$) 距离，能够区分形状与其镜像，这是现有度量所缺乏的能力。该团队还开发了计算这些距离的高效算法，包括一个全多项式时间近似方案，并通过数值实验验证了他们的方法。
-
新的Gromov-Wasserstein框架增强了分布比较能力
研究人员引入了一个名为Barycentric Weak Inner-Product Gromov-Wasserstein (wIGW)的新框架，以解决概率分布比较的局限性。该方法通过比较源关系与目标分布的条件律，旨在降低对一对多映射的敏感性。该框架包括一个用于有限支撑测度的迭代算法，并在涉及点云、图特征以及外周血单个核细胞的多组学研究的实验中进行了评估。
-
新的深度学习框架增强了多重处理场景下的因果推断能力
研究人员开发了CIHSI-Net，一个旨在改善多重同步处理下异质性处理效应因果推断的深度学习框架。该框架利用了一种新颖的重心融合格罗莫夫-瓦塞尔斯坦平衡（BFG-WB）目标函数。这种方法将不同处理模式下的表示分布对齐到一个共享的重心，将计算复杂度从二次降低到线性，同时保留了准确反事实估计的关键局部邻近结构。模拟和真实世界营销数据的应用表明，CIHSI-Net优于现有的最先进方法。
-
新的几何框架分析时空基因表达网络
研究人员开发了一个新颖的几何框架，用于分析基因表达网络的时空演化。该方法使用 Gromov--Wasserstein (GW) 空间来比较不同发育阶段的网络结构，并能在它们之间进行连续插值。该方法使用 Ollivier-Ricci 曲率量化网络变化，并已在果蝇数据集上得到验证，显示出其重现经验趋势和与高阶最优传输距离一致的能力。
-
新的 Gromov-Wasserstein 量化方法扩展了 k-means 聚类
一篇新论文将 Gromov-Wasserstein (GW) 量化作为传统 k-means 聚类的扩展。该方法不仅对数据点进行聚类，还考虑了空间的嵌入几何，提供了新的建模可能性。该研究为 GW 量化提供了理论保证，并提出了一种类似于 Lloyd 算法的数值近似算法，证明了其在分析 3D 形状和修剪神经网络等应用中的效用。
-
Gromov-Wasserstein 量化扩展 K-Means 以实现几何感知聚类
本文将 Gromov-Wasserstein (GW) 量化作为传统 k-means 聚类的扩展。与在空间内进行点聚类的标准 Wasserstein 量化不同，GW 量化还考虑了空间本身的几何结构。该研究证明了 GW 量化的解的存在性，并提出了一种类似于 Lloyd 算法的数值逼近算法。研究还分析了欧几里得几何的量化速率，并通过实验证明 GW 量化提供了新的建模能力，例如用于 3D 形状和神经网络剪枝。
-
新研究探索用于基于脑电图的情感识别的先进人工智能 · 2篇论文
两篇新研究论文探索了从脑电图（EEG）数据中识别情感的先进技术。第一篇论文介绍了一个多尺度时间框架，该框架跨越不同的时间窗口处理脑电图信号，并动态融合它们，以提高情感分类的准确性，包括混合状态。第二篇论文提出了一种使用多粒度流形对比学习和神经常微分方程的方法，以解决个体间差异问题，并在黎曼流形上对连续情感动态进行建模，在多个公共数据集上取得了最先进的结果。
-
ATLAS框架赋能跨未知领域的零样本推荐
研究人员开发了ATLAS，一个新颖的框架，旨在使推荐系统能够在未知领域进行泛化，而无需重新训练或目标领域适应。ATLAS通过结合Gromov-Wasserstein对齐、对抗性目标和残差向量量化，学习共享的、领域不变的用户-物品表示。在亚马逊的多个领域进行测试时，ATLAS在零样本推荐性能方面显著优于现有的最先进方法，HitRate平均相对提升了24%。
-
Keypoint-Guided Optimal Transport Method Introduced for Improved Data Matching
研究人员推出了一种名为 Keypoint-Guided Optimal Transport (KPG-RL) 的新方法，用于跨域数据匹配。与仅最小化传输成本的传统最优传输 (OT) 方法不同，KPG-RL 利用标注的关键点来确保正确匹配。该方法保留关键点对匹配，并通过与这些关键点的关系来指导整体数据点匹配。KPG-RL 适用于平衡和不平衡传输设置，结合了 Kantorovich 和 Gromov-Wasserstein 公式，并提供了…
-
关于可扩展Gromov-Wasserstein学习的研究论文被撤回
一篇题为“用于可扩展Gromov-Wasserstein学习的距离矩阵Wasserstein统计”的研究论文已被作者Ao Xu撤回。该论文提出了一种名为距离矩阵Wasserstein（DMW）的新方法，作为Gromov-Wasserstein（GW）距离的可扩展近似和下界，GW距离用于比较图和形状。DMW通过比较随机距离矩阵的分布来工作，而不是优化全局点级对齐。作者声称具有理论保证，并在各种基准测试中证明了其有效性，但该论文后来被撤回。