論文の概要: Fused Gromov-Wasserstein Distance with Feature Selection

• arxiv url: http://arxiv.org/abs/2605.12161v1
• Date: Tue, 12 May 2026 14:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.90677
• Title: Fused Gromov-Wasserstein Distance with Feature Selection
• Title（参考訳）: 特徴選択によるGromov-Wasserstein距離の融合
• Authors: Harlin Lee, Ying Yu, Mingxin Li, Ranthony Clark,
• Abstract要約: 融合Gromov-Wasserstein (FGW) 距離は、構造とノードの特徴を協調的に整列することによってオブジェクトを比較するための原則的なフレームワークを提供する。 我々はFGW目標に適応的な特徴抑圧重みを組み込んだ特徴選択を伴うFGW距離を導入する。 実験では、機能強化が解釈可能性を高め、タスク関連構造を明らかにし、特に計算再限定への応用を示す。
• 参考スコア（独自算出の注目度）: 10.486119449960851
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fused Gromov-Wasserstein (FGW) distances provide a principled framework for comparing objects by jointly aligning structure and node features. However, existing FGW formulations treat all features uniformly, which limits interpretability and robustness in high-dimensional settings where many features may be irrelevant or noisy. We introduce FGW distances with feature selection, which incorporate adaptive feature suppression weights into the FGW objective to selectively downweight or suppress differentiating features during alignment. We propose two approaches: (1) regularized FGW with Lasso and Ridge penalties, and (2) FGW with simplex-constrained weights, including groupwise extensions. We analyze the resulting models and establish their key theoretical properties, including bounds relative to classical FGW and Gromov-Wasserstein distances, and metric behavior. An efficient alternating minimization algorithm is developed. Experiments illustrate how feature suppression enhances interpretability and reveals task-relevant structure, with a special application to computational redistricting.
• Abstract（参考訳）: 融合Gromov-Wasserstein (FGW) 距離は、構造とノードの特徴を協調的に整列することによってオブジェクトを比較するための原則的なフレームワークを提供する。 しかし、既存のFGWの定式化は全ての特徴を一様に扱い、多くの特徴が無関係でうる高次元設定における解釈可能性や堅牢性を制限する。 我々は,FGW目標に適応的特徴抑制重みを組み込んだ特徴選択付きFGW距離を導入し,アライメント中の特徴の差分を選択的に下降させるか,あるいは抑制する。 本稿では,(1)ラッソとリッジの罰則付き正規化FGW,(2)グループワイド拡張を含む単純な重み付きFGWの2つのアプローチを提案する。 得られたモデルを分析し、古典的FGWとグロモフ=ワッサーシュタイン距離に対する境界や計量的挙動を含む重要な理論的性質を確立する。 効率的な交互最小化アルゴリズムを開発した。 実験では、機能強化が解釈可能性を高め、タスク関連構造を明らかにし、特に計算再限定への応用を示す。

関連論文リスト

• Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
  我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。 また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-03-23T02:30:01Z)
• The Joint Gromov Wasserstein Objective for Multiple Object Matching [0.6875312133832079]
  本稿では、JGW(Joint Gromov-Wasserstein)の目的を紹介し、GWのオリジナルのフレームワークを拡張して、オブジェクトのコレクション間の同時マッチングを可能にする。 我々の定式化は、点サンプリング収束を伴うmm-空間の部分同型を識別する非負の相似性測度を提供する。 部分マッチングのためのGWの他の変種とのベンチマークは,提案手法の精度と計算効率において優れた性能を示す一方,合成と実世界の両方のデータセットを用いた実験では,複数形状マッチングの有効性が示されている。
  論文  参考訳（メタデータ） (2025-11-21T00:31:21Z)
• Fused Partial Gromov-Wasserstein for Structured Objects [20.979925870718233]
  我々はFGWを拡張して不均衡なデータに対応するFPGW(Fused partial Gromov-Wasserstein)フレームワークを提案する。 本研究では、FPGWとFGWの関係を確立し、FPGWの計量特性を証明する。 グラフマッチング,グラフ分類,グラフクラスタリング実験を通じてFPGW距離を評価し,その頑健な性能を実証した。
  論文  参考訳（メタデータ） (2025-02-14T06:10:40Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Orthogonal Gromov-Wasserstein Discrepancy with Efficient Lower Bound [11.086440815804226]
  Gromov-Wasserstein (GW) は、最適な輸送データセットに基づいて、構造化されたデータ間のノードグラフを定式化する。 本稿では,代入問題との関係から着想を得て,GWの代理としてGromov-Wasserstein離散性を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:10:56Z)
• Quantized Gromov-Wasserstein [10.592277756185046]
  Quantized Gromov Wasserstein(qGW)は、部品を基本的なオブジェクトとして扱い、問題の理論上の上限の階層に収まるメトリクスです。 最適なgwマッチングを近似するアルゴリズムを開発し,アルゴリズムによる高速化とメモリ複雑性の低減を実現する。 我々は、最先端の状況を超えて、既存の文献よりも桁違いに大きいスケールでGWマッチングを適用することができる。
  論文  参考訳（メタデータ） (2021-04-05T17:03:20Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。