Ein robustes und verallgemeinerbares Matching-Modell für dichte und dünnbesetzte Korrespondenzen

Wir schlagen ein robustes und verallgemeinerbares Matching-Modell (RGM) vor, das dichte und dünnbesetzte Korrespondenzen vereint. Durch eine zweistufige hierarchische Lernstrategie, die das Matching und die Unsicherheitsschätzung getrennt lernt, können wir die Interferenz zwischen den beiden Aufgaben reduzieren und die Skalierbarkeit verschiedener Datensätze für unterschiedliche Aufgaben separat untersuchen.