在没有节点标签的情况下，我们提出了一种在不精确匹配的情况下识别子图与完整图之间节点对应关系的方法，该方法包括两个步骤：提取子图的最小唯一拓扑保持子集及在全图中查找可行匹配，实现基于边界可交换性的独特路径配对扩展匹配集，并通过共识算法。

Sep, 2022

本文研究在亿级规模的图数据上，通过利用高效的图探索和大规模并行计算，建立在分布式内存上而非超线性索引的新型算法，达成对图数据库的有效子图匹配。

May, 2012

xNeuSM 是一种可解释的神经子图匹配方法，通过引入适应性学习多跳关注网络（GLeMA）来解决图匹配算法在大型图实例上的限制，实现了预测准确率的显著提升并且查询时间至少是精确算法的七倍快。

Dec, 2023

本文研究了一个新的图学习问题：学习计算子图同构，提出了一种学习框架，通过增加不同的表示学习架构和迭代地注意图案和目标数据图来记住全局计数的子图同构，通过实验结果表明，基于学习的子图同构计数可以在线性时间内计算大型模式和数据图，而且与传统算法 VF2 相比，可以将速度提高 10-1,000 倍。

Dec, 2019

本研究首次应用强化学习和图神经网络技术生成高质量的子图匹配算法匹配顺序，相比现有算法，该算法可减少两个数量级的查询处理时间。

Jan, 2022

本文提出了 D2Match，一种基于 Deep learning 和 Degeneracy 的子图匹配方法，通过证明子图匹配可以退化为子树匹配，并形象地表述成在二分图上的完美匹配问题，并利用图神经网络的内置树状聚合机制实现线性时间复杂度，实验结果证实了 D2Match 具有优秀的匹配效果。

Jun, 2023

本文研究的是图匹配问题，提出了一种基于学习的方法，用于解决基于图的模式识别问题。通过训练示例和标签，我们可以学习节点与边之间的兼容性，在解决问题时可以取得更好的效果。实验结果表明，该方法比现有算法更为有效。

Jun, 2008

本文提出了一种非参数子图匹配框架 MatchExplainer 和增加范例 MatchDrop，用于解释图神经网络预测结果中的关键子结构，实验结果表明无论是在合成数据集还是真实世界数据集上都优于所有参数基线，并且我们的 MatchDrop 是一种通用的增强性能的方案。

Jan, 2023

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

本研究提出了一种名为 Count-GNN 的新型图神经网络模型，采用边为中心的消息传递方案和在图级别上进行的表示修正来解决子图同构计数问题，并在多个基准数据集上进行了广泛的实验证明其优越性能。

Feb, 2023