扩散使能的最优传输距离用于图匹配
摘要
本文提出了Diffusion Semi-Relaxed Fused Gromov-Wasserstein (DsrFGW)方法，这是一种通过最优传输和扩散过程整合节点特征与结构连接性的新型图比较方法，在合成任务上展示了对噪声和缺失边更高的鲁棒性。
arXiv:2607.06646v1 公告类型：新
摘要：本文介绍了Diffusion Semi-Relaxed Fused Gromov-Wasserstein (DsrFGW)方法，这是一种通过最优传输统一节点特征与结构连接性的新型图比较方法。虽然传统的Gromov-Wasserstein及其半松弛变体（srGW、srFGW）能够捕捉图结构，但它们在处理稀疏、噪声或部分观测的图时往往表现不佳。受图扩散距离（Graph Diffusion Distance）启发（该理论认为如果图能够实现相似的信息传播模式，则它们相似），DsrFGW引入了扩散过程，允许信息在节点间传播，从而捕捉局部和全局结构模式，同时降低对噪声或缺失边的敏感性。在36个合成成对图匹配任务（简单、中等、困难）上的广泛评估表明，DsrFGW持续优于srFGW，准确率提升0-20个百分点，并取得了显著的调整兰德指数（ARI）增益：在中等难度场景下，srFGW常常获得负ARI（比随机更差），而DsrFGW在内部和外部聚类质量度量（即调整排名指数和相对于真实潜在聚类的准确率）上均表现更优。即使在严重噪声下，DsrFGW在92%的合成任务中提升了聚类质量，且最优扩散尺度能自适应问题难度，从而将DsrFGW确立为结构不确定性下图比较的鲁棒框架。
查看缓存全文
缓存时间: 2026/07/09 07:42
# 扩散增强的最优传输距离用于图匹配 来源：https://arxiv.org/abs/2607.06646 查看PDF (https://arxiv.org/pdf/2607.06646) > 摘要：本文介绍了扩散半松弛融合Gromov-Wasserstein（DsrFGW），一种通过最优传输统一节点特征和结构连接性的图比较新方法。虽然传统的Gromov-Wasserstein及其半松弛变体（srGW，srFGW）能够捕获图结构，但它们通常难以处理稀疏、噪声或部分观测的图。受图扩散距离的启发——该距离认为如果图能够实现相似的信息传播模式则它们相似——DsrFGW引入了扩散过程，允许信息在节点间传播，捕获局部和全局结构模式，同时降低对噪声或缺失边的敏感性。在36个合成成对图匹配任务（简单、中等、困难）上的广泛评估表明，DsrFGW始终优于srFGW，准确率提升0-20个百分点，并且调整兰德指数（ARI）获得显著提升：在中等难度场景中，srFGW常常取得负的ARI（比随机更差），而DsrFGW在内部和外部聚类质量度量（即相对于真实潜在聚类的调整排名指数和准确率）方面均表现更佳。即使在严重噪声下，DsrFGW在92%的合成任务中提升了聚类质量，且最优扩散尺度适应问题难度，将DsrFGW确立为结构不确定性下图比较的鲁棒框架。 ## 提交历史 来自：Iman Seyedi [view email (https://arxiv.org/show-email/6d2324db/2607.06646)] **\[v1\]** 2026年7月7日星期二 15:55:34 UTC (772 KB)
相似文章
基于最优传输势的多边缘流匹配
提出OTP-FM，一种新颖的多边缘流匹配方法，利用最优传输势来软性地引导流通过中间边缘分布，在单细胞RNA测序、海洋学和气象学数据集上实现了最先进的性能。
扩散和流匹配背后的几何：Wasserstein空间中的梯度流和测地线
本文揭示了扩散模型和流匹配是同一Wasserstein几何的两面：扩散遵循自由能梯度流（初值问题），而流匹配遵循Wasserstein测地线（边值问题），它们通过JKO格式统一起来。
面向网络对齐的可扩展最优传输算法
FastAlign 提出了一种可扩展、感知稀疏性的最优传输网络对齐框架，在实现最先进精度的同时，将计算时间在 CPU 上最多减少 9.45 倍，在 GPU 上最多减少 32.54 倍。
Geometry-Aware Tabular Diffusion
介绍了Geometry-Aware Tabular Diffusion（GATD），该方法通过显式的成对几何特征增强表格扩散去噪器。在十个基准测试上取得了最先进的性能，同时使用的参数显著更少。
使用K跳高斯扩散增强的图神经网络
本文提出一种K跳高斯（KHG）扩散核，作为图神经网络的预处理模块，平衡局部和全局信息传播，以缓解过度平滑和信息瓶颈问题。实验表明，相比传统的消息传递图神经网络和现有扩散核，该方法在噪声或结构复杂的图上取得了显著改进。