找到采样数据的平均值是机器学习和统计数据中的一项基本任务。但是,如果数据示例是图形对象,则定义平均值是本质上困难的任务。我们提出了一个新的框架,用于通过平滑图信号分布的空间中的嵌入来定义图平均值,在这种框架中,可以使用Wasserstein Metric测量图相似性。通过在此嵌入空间中找到平均值,我们可以恢复一个保留结构信息的平均图。我们建立了新图均值的存在和独特性,并提供了用于计算它的迭代算法。强调我们框架作为机器学习中实用应用的有价值工具的潜力,它可以在各种任务上进行评估,包括结构化对齐图的K-Means聚类,功能性脑网的分类以及在多层图中的半固定节点分类。我们的实验性研究表明,我们的方法可以达到一致的性能,优于现有的基线方法,并改善了最新方法的绩效。
主要关键词
![arxiv:2305.19738v2 [stat.ml] 2024年3月1日PDF文件第1页](/bimg/5/594788cd56e299e2ddb7e7d06f446ae583e8fb9d.webp)
![arxiv:2305.19738v2 [stat.ml] 2024年3月1日PDF文件第2页](/bimg/a/addd673cf0ffb3acdf5c9e2a04f91f9b2dc31ba2.webp)
![arxiv:2305.19738v2 [stat.ml] 2024年3月1日PDF文件第3页](/bimg/9/985b87c4d248d192a19c5c31e4d8f8dc9f6e55bb.webp)
![arxiv:2305.19738v2 [stat.ml] 2024年3月1日PDF文件第4页](/bimg/3/311bb0904cf92acf496ee8129de004c0100699c2.webp)
![arxiv:2305.19738v2 [stat.ml] 2024年3月1日PDF文件第5页](/bimg/d/d5e90bbb92e7abb8ff8e72f2ec1783c9c1b17c84.webp)
