最优传输一图看懂网络变形！三大距离实测聚类+异常检测
Optimal Transport for Network Comparison: A Review with Machine Learning Applications
📖 AI 总结
该论文综述了最优传输理论在网络比较中的应用，重点介绍了三种核心距离度量：Wasserstein、Gromov-Wasserstein和Bures-Wasserstein距离。与标准图指标不同，最优传输不仅能计算网络间的相异度，还能生成解释图如何相互转化的传输计划。论文展示了Wasserstein距离在一维节点特征概率分布下的闭式解，并阐明其传输计划如何识别影响图扰动后距离的关键节点。针对Bures-Wasserstein距离，作者利用拉普拉斯谱推导出边界，避免完整谱分解的计算开销。实验部分采用合成网络数据集进行聚类分析，并在真实时间序列网络上验证异常检测能力，结果表明这些距离度量在实际任务中具有有效性和实用性。该综述为网络科学中的图比较提供了统一的理论框架和计算工具。
🔑 关键词速览
| Optimal Transport | 最优传输，一种数学理论，用于以最小成本将一个概率分布转换为另一个，此处用于比较网络结构。 |
| Wasserstein distance | Wasserstein距离，一种基于最优传输的度量，衡量两个概率分布之间的差异，此处用于图比较。 |
| Gromov-Wasserstein distance | Gromov-Wasserstein距离，一种扩展的Wasserstein距离，用于比较不同度量空间中的结构，此处用于图比较。 |
| Bures-Wasserstein distance | Bures-Wasserstein距离，一种基于协方差矩阵的最优传输距离，此处用于图比较，通过拉普拉斯谱简化计算。 |
| Laplacian spectra | 拉普拉斯谱，图的拉普拉斯矩阵的特征值集合，用于捕捉图的结构性质，此处用于推导距离界限。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅