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

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

提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

Nov, 2019

MGNet 通过有效地结合多个补充图表达方法，利用全局图中的所有稀疏通信信息一次性捕捉和放大判别特征，从而在不同的视觉任务中优于现有方法。

Jan, 2024

本文介绍了一种名为 Neighborhood Matching Network 的实体对齐框架，利用图采样和交叉图邻域匹配模块来建立实体对齐方面的表示。该方法可以有效地估计更复杂的邻域相似度，并在三个实体对齐数据集上显著优于 12 种现有的最先进方法。

May, 2020

本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

本研究提出了 LayoutGMN，通过利用图形匹配网络（GMN）来预测 2D 布局之间的结构相似性，该网络学习布局度量并使用基于注意力的 GMN 进行三元组网络设置下的神经图匹配。通过在大规模数据集上进行检索实验，特别是对楼层平面图和 UI 设计进行检索实验，我们证明了 LayoutGMN 相对于 IoUs 和其他基线的检索结果更符合人类对结构布局相似性的判断。此外，LayoutGMN 是第一个能够提供结构布局相似性度量和布局元素之间的结构匹配的深度模型。

Dec, 2020

该研究设计了端到端的可微分深度网络，以学习图匹配的亲和力，并采用排列损失和图嵌入作为优化目标函数，具有在现实世界应用中广泛的适用性和超越现有状态的性能。

Apr, 2019

本文提出了 MR-GNN，这是一种具有多分辨率结构的图神经网络，能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征，相较于现有方法，显示出更好的预测效果。

May, 2019

本文提出了一种新的基于图形结构匹配网络的图像 - 文本匹配方法，可以有效地解决对象、关系和属性的细粒度对应问题。实验结果表明，该方法在 Flickr30K 和 MSCOCO 数据集上相较于其他方法拥有高达近 7% 和 2% 的召回率提升。

Apr, 2020