使用Wasserstein距离鉴别器的无监督图对齐数据派THU共 713字,需浏览 2分钟 ·2021-08-19 02:41 来源:专知本文为论文,建议阅读5分钟 图对齐的目的是识别跨多个图的节点对应,这在各个领域具有重要意义。图对齐的目的是识别跨多个图的节点对应,这在各个领域具有重要意义。由于监督信息往往是不可获取的,无监督方法最近吸引了大量的研究兴趣。大多数现有的无监督方法都假定相应的节点应该具有类似的局部结构,然而,这往往不成立。同时,富节点属性通常是可用的,并已证明在缓解上述局部拓扑不一致问题方面是有效的。由于图卷积网络(GCNs)成功地融合了网络和节点属性用于各种学习任务,我们的目标是在GCNs的基础上解决图对齐问题。然而,由于多方面的挑战,直接将GCNs嫁接到图对齐上往往是不可行的。为了解决这一问题,我们提出了一种新的无监督图对齐框架WAlign。我们首先开发了一个轻量级的GCN架构来捕获本地和全局图模式以及它们与节点属性的内在关联。然后证明在嵌入空间中,获得最优对齐结果等价于最小化不同图中节点嵌入之间的Wasserstein距离。为此,我们提出了一种新的Wasserstein距离鉴别器来识别候选节点对应对,用于更新节点嵌入。整个过程就像一个两人博弈,最后我们得到了适合于对齐任务的鉴别嵌入。在合成和真实数据集上的大量实验验证了所提出框架WAlign的有效性和效率。http://www.cs.virginia.edu/~jg6yd/papers/WAlign.pdf 浏览 31点赞 评论 收藏 分享 手机扫一扫分享分享 举报 评论图片表情视频评价全部评论推荐 FAIR最新无监督研究:视频的无监督时空表征学习机器学习算法工程师0使用Python进行图像处理—图像分割的无监督学习人工智能与算法学习0理论知识 | “无代码”与我们的距离三分设0DAFormer | 使用Transformer进行语义分割无监督域自适应的开篇之作AI人工智能初学者0一文详解图像中的无监督学习小白学视觉0用来监督社交距离的激光雷达,竟然还会损害视网膜?!大数据文摘0机器学习知识点全面总结(有监督+无监督) 机器学习按照模型类型分为监督学习模型、无监督学习模型两大类:1. 有监督学习有监督学习通常是利用带有专家标注的标签的训练数据,学习一个从输入变量X到输入变量Y的函数映射。Y = f (X),训练数据通常是(n×x,y)的形式,其中n代表训练样本的新机器视觉0又错了,字节对齐及#pragma pack的使用李肖遥0梳理 | 交叉熵、相对熵(KL散度)、JS散度和Wasserstein距离(推土机距离)机器学习与生成对抗网络0无监督语义匹配之BERT-WhiteningNLP从入门到放弃0点赞 评论 收藏 分享 手机扫一扫分享分享 举报