使用Wasserstein距离鉴别器的无监督图对齐

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

使用Wasserstein距离鉴别器的无监督图对齐相关推荐

CVPR 2020 | 北大Futurewei提出 GraphTER：无监督图变换共变表征学习
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散编辑:Sophia 计算机视觉联盟报道 | 公众号 CVLianMeng 转载于 :机器之心计算机视觉与模式 ...
无监督特征对齐的迁移学习理论框架
0.前言文献<基于无监督特征对齐的变负载下滚动轴承故障诊断方法>引入迁移学习中能够实现无监督领域适应的子空间对齐(subspace alignment,SA)算法并进行改进,提出将核映射 ...
论文浅尝 | 面向开放域的无监督实体对齐
笔记整理 | 谭亦鸣,东南大学博士生来源:DASFAA'21 链接:https://arxiv.org/pdf/2101.10535.pdf 概述与动机知识图谱对齐的目的是建立两个不同知识图谱之间 ...
【自然语言处理】【知识图谱】SEU：无监督、非神经网络实体对齐超越有监督图神经网络？
SEU:从对齐到分配----简单有效的无监督实体对齐 <From Alignment to Assignment:Frustratingly Simple Unsupervised Entity ...
Unsupervised Deep Image Stitching：首个无监督图像拼接框架（TIP2021）
作者丨廖康@知乎来源丨https://zhuanlan.zhihu.com/p/386863945 编辑丨3D视觉工坊一.写在前面图像拼接(Image Stitching)可以说是计算机视觉领域 ...
TIP 2021 | 重访CV经典！首个无监督深度学习图像拼接框架
点击下方卡片,关注"CVer"公众号 AI/CV重磅干货,第一时间送达作者:廖康 | 已授权转载(源:知乎) https://zhuanlan.zhihu.com/p/386 ...
WGAN的成功，可能跟Wasserstein距离没啥关系
©PaperWeekly 原创 · 作者|苏剑林单位|追一科技研究方向|NLP.神经网络 WGAN,即 Wasserstein GAN,算是 GAN 史上一个比较重要的理论突破结果,它将 GAN ...
ACL 2020 | 多跳问答的基于对齐的无监督迭代解释检索方法
©PaperWeekly 原创 · 作者|舒意恒学校|南京大学硕士生研究方向|知识图谱论文标题:Unsupervised Alignment-based Iterative Evidence R ...
【论文精读】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（无监督的深度图像拼接）
论文下载链接文章目录前言摘要一.介绍二.相关工作 2.1 基于特征的图像拼接 2.2 基于学习的图像拼接 2.3深度单应方法 ==>研究动机三.无监督图像拼接 Ⅰ.无监督图像对齐 Ⅱ ...

使用Wasserstein距离鉴别器的无监督图对齐

使用Wasserstein距离鉴别器的无监督图对齐相关推荐

最新文章

热门文章