使用部分遮罩融合格罗莫夫 - 瓦瑟斯坦匹配的端到端监督预测任意大小的图
内容提要
本文综述Gromov-Wasserstein（GW）距离在图分析中的应用，涵盖图匹配、聚类、分类与嵌入学习，重点介绍FGW、S-GWL、FGWMixup、OT-GNN及模糊GW等方法，这些方法可提升图神经网络的泛化性、计算效率和大规模图处理能力，并在真实网络中优于传统方法。
延伸解读
GW距离在图分析中的核心作用
Gromov-Wasserstein距离通过比较图内节点间的距离结构，为图匹配、聚类和分类提供了不依赖节点对应关系的度量。文章指出，基于GW的方法在真实网络任务中常优于传统方法，尤其当图的大小或节点排列不一致时，GW能捕捉结构相似性。
FGW与S-GWL：平衡准确性与效率
Fused Gromov-Wasserstein结合节点特征与结构信息，在图分类和聚类中表现突出；S-GWL则通过学习多个图的GW重心，实现大规模图的分区与匹配，在准确性和效率间取得平衡。这些方法扩展了GW的适用场景，但计算复杂度仍是实际部署的考量因素。
OT-GNN与FGWMixup：提升GNN泛化性
OT-GNN利用参数原型计算图嵌入，在分子属性预测中展现出优于传统聚合方法的平滑性和预测性能；FGWMixup通过匹配图间节点进行数据增强，旨在提高图神经网络的泛化性和鲁棒性。两者都体现了最优传输与GNN结合的趋势。
模糊GW与部分GW：应对计算挑战
模糊Gromov-Wasserstein距离针对图像比较中的质量损失和计算效率问题，提高了准确度；部分GW则通过转化为GW变体，使用Frank-Wolfe算法求解，在形状匹配等任务中验证了有效性。这些变体为大规模或部分匹配场景提供了新思路。
Q&A
Gromov-Wasserstein距离在图分析中主要有哪些应用？
Gromov-Wasserstein距离在图分析中主要用于图匹配、聚类、分类与嵌入学习。具体包括图对齐、多图分区、图分类、关系图聚类以及图嵌入学习等任务。
Fused Gromov-Wasserstein (FGW) 是什么？它有什么优势？
Fused Gromov-Wasserstein (FGW) 是一种用于概率分布度量的运输距离，能够计算结构化对象间的距离。它在图分类任务中超越了传统方法，并对图的聚类问题有积极作用。
S-GWL方法如何解决大规模图分析问题？
S-GWL（可扩展的Gromov-Wasserstein学习）方法通过学习多个观察到的图的Gromov-Wasserstein重心图来实现多图分区和匹配，并将其统一到同一框架中，从而在准确性和效率之间取得了平衡，适用于大规模图分析。
OT-GNN模型与传统图神经网络聚合方法有何不同？
OT-GNN模型利用参数原型计算图嵌入，并通过参数原型和乘子实现与传统的求和聚合不同的方法。实验证明，此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。
模糊Gromov-Wasserstein距离解决了什么问题？
模糊Gromov-Wasserstein距离旨在解决使用Gromov-Wasserstein距离进行图像比较时的质量损失和计算效率问题，提高了计算效率和准确度，并在图形字典学习和分区学习等领域实现了优异表现。
FGWMixup方法的目标是什么？
FGWMixup基于Fused Gromov-Wasserstein度量空间，通过匹配图之间的节点来找到一种匹配策略，以提高图神经网络的泛化性和鲁棒性。
