Gromov--Wasserstein
PulseAugur coverage of Gromov--Wasserstein — every cluster mentioning Gromov--Wasserstein across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
Keypoint-Guided Optimal Transport Method Introduced for Improved Data Matching
Researchers have introduced Keypoint-Guided Optimal Transport (KPG-RL), a novel method for matching data across domains. Unlike traditional Optimal Transport (OT) methods that solely minimize transport cost, KPG-RL leve…
-
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。
-
MasFACT框架解决了多智能体LLM系统中的拓扑遗忘问题
研究人员推出MasFACT，一个旨在解决由大型语言模型驱动的持续多智能体系统（MAS）中“拓扑遗忘”问题的新型框架。当适应新任务导致系统丢失从先前任务中学到的有效通信结构时，就会出现此问题。MasFACT采用几何感知后验迁移方法，利用融合的Gromov-Wasserstein最优传输来保留历史协作知识作为可迁移的拓扑先验。然后，系统使用PAC-Bayes引导的适应来平衡学习新任务与维护稳定的通信结构。实验结果表明，与现有方法相比，Ma…
-
新的DsrFGW方法通过扩散过程增强图比较
研究人员引入了扩散半松弛融合Gromov-Wasserstein（DsrFGW），一种新的图比较方法，它使用最优传输将节点特征与结构连通性相结合。该方法通过整合扩散过程来增强传统的Gromov-Wasserstein方法，扩散过程允许信息在节点之间传播。这种扩散机制有助于捕捉局部和全局的结构模式，使该方法对图中的噪声和缺失数据更具鲁棒性。在合成图匹配任务上的评估表明，DsrFGW在准确性和聚类质量方面持续优于现有方法，尤其是在结构不确…
-
新的GAN架构SuRGe增强图像超分辨率
研究人员开发了Super-Resolution Generator (SuRGe)，这是一种新颖的生成对抗网络（GAN）架构，旨在提高图像质量。SuRGe使用可学习的权重结合不同网络深度的特征，并结合Jensen-Shannon和Gromov-Wasserstein损失来提高生成器利用信息的能力。判别器使用带梯度惩罚的Wasserstein损失进行训练，以防止模式崩溃，与现有最先进的方法相比，从而提高了性能并降低了推理时间。
-
AI研究解决生物数据中的叠加问题以提高可解释性
研究人员开发了一种新方法，使用稀疏自编码器（SAEs）来解决人工智能中的叠加问题，特别是在高维生物数据中。该技术旨在通过净化潜在空间（通常被叠加破坏）的几何保真度来提高可解释性并对齐跨模态数据。该方法应用于与帕金森病相关的患者来源的神经元图像超过10万张。此外，还引入了一个名为GW-map的新工具，该工具使用Gromov-Wasserstein最优传输将图像表示与单细胞RNA测序数据对齐，从而无需参考空间转录组学即可重建分层神经病理学通路。
-
新型 k-NN 分类器利用 Gromov-Wasserstein 距离处理图
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。
-
新的黎曼框架增强了低秩最优输运求解器
研究人员开发了一个新的黎曼几何框架，以改进低秩最优输运（OT）求解器。该方法将因子耦合建模为子流形，并使用 Fisher-Rao 乘积度量来推导出有效的投影器和收缩。该框架扩展到各种 OT 问题，包括线性 OT 和 Gromov-Wasserstein，提供每迭代线性的复杂度和全局最优性的证书。实验表明，与现有方法相比，收敛速度更快，性能更优。
-
新框架利用半松弛Gromov-Wasserstein处理网络学习
研究人员开发了一个新框架，通过将问题表述为半松弛Gromov-Wasserstein目标来理解大规模网络。这种方法允许概率耦合来松弛分配问题，从而得到网络生成结构的低维表示。该方法使用块坐标条件梯度算法，并证明了松弛和确定性分配之间的最优性差距以O(1/n)的速率消失，从而能够有效地恢复和统计分析底层模型。
-
新的CDOT框架在对齐分布的同时保留了几何结构
研究人员开发了一个新的凸最优传输框架，称为CDOT，旨在对齐不同域的分布，同时保留几何结构和特征对应关系。这种新颖的方法利用基于算子的正则化来增强对局部几何变化的鲁棒性。该框架的性能已在各种基准测试中得到验证，优于现有方法。
-
新的DMW方法为复杂数据结构提供可扩展的比较
研究人员开发了一种名为距离矩阵Wasserstein (DMW)的新方法，以更有效地比较图和点云等复杂数据结构。该方法将计算密集型的Gromov--Wasserstein (GW)距离问题放松为一系列Wasserstein统计量，用于比较随机距离矩阵的分布。DMW被证明是GW的下界，其差距受采样误差控制，并通过切片和多尺度变体提供可扩展的计算。实验表明，DMW在各种应用中有效地充当了结构比较的代理。
-
新方法提升了 Gromov-Wasserstein 距离的可扩展性
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…
-
新方法创建伪配对用于无配对智能手机ISP迁移
研究人员开发了一种新颖的无配对智能手机图像信号处理器（ISP）迁移方法，解决了在无直接配对的情况下对齐RAW和RGB图像的挑战。他们的方法利用DINOv2的语义嵌入和Gromov-Wasserstein最优传输来创建RAW和RGB数据之间的伪配对。这使得训练一个参数量仅为7000的紧凑型卷积神经网络（CNN）成为可能，该网络专注于色彩渲染，以提高稳定性和减少伪影。该方法在NTIRE 2026智能手机ISP学习挑战赛中，凭借在SSIM和…
-
研究人员提出用于多视图关系嵌入的Gromov-Wasserstein方法
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。