摘要
本文介绍了一种新颖的图比较方法——扩散半放松融合Gromov-Wasserstein（DsrFGW），该方法通过最优传输将节点特征和结构连通性统一起来。传统的Gromov-Wasserstein及其半放松变体（srGW, srFGW）能够捕捉图的结构，但在处理稀疏、噪声或部分观察到的图时常常表现不佳。
受到图扩散距离的启发，该理论认为如果图能够实现相似的信息传递模式，则图是相似的。DsrFGW结合了扩散过程，允许信息在节点间传播，从而捕捉局部和全局的结构模式，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（包括简单、中等、困难）上的广泛评估表明，DsrFGW在性能上始终优于srFGW，准确性提升幅度为0-20个百分点，并且在调整兰德指数（ARI）上也有显著提高：在中等难度的场景中，srFGW常常表现为负的ARI（比随机还差），而DsrFGW则在内部和外部聚类质量度量（即调整兰德指数和相对于真实基础聚类的准确性）方面表现更佳。即使在严重噪声的情况下，DsrFGW在92%的合成任务中提高了聚类质量，最佳扩散尺度能够适应问题的难度，从而确立了DsrFGW作为在结构不确定性下进行图比较的稳健框架。
博主点评： DsrFGW通过引入扩散过程，显著提升了图匹配的鲁棒性，尤其在处理复杂和噪声数据时表现出色。这一方法为未来图数据分析提供了新的视角，值得进一步研究与应用。