SimGNN:一种快速图相似度计算的神经网络方法
该研究提出了一种名为 SimP-GCN 的新框架,它可以有效地保留节点相似性,同时利用图结构进行图表示学习,并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。
Nov, 2020
本文提出了两个关键性贡献:首先是演示了图神经网络如何训练并嵌入向量空间,以便有效地进行相似性推理;其次是提出了一种新的图匹配网络模型,通过新的跨图注意力匹配机制,在一对图之间共同推理,计算它们之间的相似度得分。在不同领域的实验分析表明,本文提出的模型不仅能够在相似性学习的上下文中利用结构,而且能够优于针对此类问题精心设计的基线系统。
Apr, 2019
这篇论文提出了一种新的图级融合模块 Different Attention(DiffAtt),并证明了图级融合嵌入能够显著优于复杂的节点级融合嵌入,通过 DiffAtt 的算法 REDRAFT 在五个基准数据集中的 23 个评估指标中取得了最先进的性能,尤其是在 MSE 上分别超出第二名 19.9%、48.8%、29.1%、31.6% 和 2.2%,此外,作者提出了一种定量测试 RESAT,以验证 DiffAtt 生成的融合嵌入能够最好地捕捉两个图之间的结构差异。
Aug, 2023
通过理论分析揭示了图神经网络(GNN)校准与节点相似性之间的关系,并提出了一种新的校准框架 SimCalib,该框架能够考虑全局和局部层面上的节点相似性,实验证明节点相似性与模型校准的改进存在相关性,并通过在 14 个基准测试中达到最先进性能的大量实验,证明了提出的 SimCalib 框架对 GNN 校准的有效性。
Dec, 2023
本研究讨论了基于图编辑距离(GED)估计的图相似度计算(GSC)任务,提出了一种简单而强大的正则化技术,叫做对齐正则化(AReg),该技术通过在训练阶段为图神经网络(GNN)编码器施加节点 - 图对应约束来提高学习质量,并且在推理阶段,直接使用 GNN 编码器学习的图级表示来计算相似度得分,而无需再次使用 AReg 进行加速,同时还提出了一种多尺度 GED 鉴别器来增强学习表示的表达能力。实验证明了我们的方法的有效性、高效性和可迁移性。
Jun, 2024
本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习,其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架,可以更好地揭示图像的差异和共性,并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络,同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度,并通过汇集操作将节点表示转换为图级表示进行图相似性计算。
May, 2022
GLSearch 采用基于图神经网络的深度 - Q 网络的学习搜索模型来解决图之间最大公共子图的计算问题,通过枝绑定算法选择最佳节点对以加速和适应搜索过程,提供监督帮助训练 DQN,并通过实验表明该模型可以显著提高大规模图对的计算效率,为其他基于图约束的组合问题提供了潜在的解决方案。
Feb, 2020
本文提出了一种将基于搜索的技术与深度嵌入模型相结合的混合方法,用于解决图形编辑距离(GED)的效率和适应性问题。通过动态规划将节点级嵌入设计成动态重用的方式,并鼓励修剪次优分支,该方法可以轻松地在 A * 过程中动态地集成,并通过学习的启发式显着减少计算负担。实验结果表明,该方法可以显着简化 A * 的搜索过程,而准确性不会显著降低。
Nov, 2020