Nov, 2020

动态嵌入式组合学习图编辑距离

PDF
TL;DR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。
发现论文，激发创造
  • EUGENE：可解释的无监督图编辑距离近似

    本文提出了一种高效的代数无监督方法 EUGENE，它近似计算图的编辑距离，并产生对应的编辑路径，同时消除了对真实编辑距离的生成和数据特定训练的需求。广泛的实验评估表明，EUGENE 在各个基准数据集中始终排名最准确的方法之一，并且胜过大部分神经网络方法。

    Feb, 2024

  • 基于不同注意力机制的图编辑距离学习

    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

  • MATA*：将可学习节点匹配与 A * 算法相结合用于近似图编辑距离计算

    基于图神经网络（GNN）和 A * 算法的数据驱动混合方法 MATA * 用于近似图编辑距离（GED）计算，对节点匹配进行学习建模，实验证明其优于基于组合搜索、基于学习和混合方法，并在大型图上具有良好的可扩展性。

    Nov, 2023

  • 使用量子设备算法计算图编辑距离

    本文介绍了 QUBO 形式的 Graph Edit Distance (GED) 问题，它允许我们在量子芯片上实现两种不同的方法，即量子退火和变分量子算法，为机器学习和模式识别提供一种新颖的解决方案。

    Nov, 2021

  • SimGNN：一种快速图相似度计算的神经网络方法

    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

  • DynGEM: 动态图深度嵌入方法

    本文提出了 DynGEM 算法，基于最近深度自编码器对图嵌入的研究，旨在解决动态图嵌入问题，实现了稳定嵌入、适用于不断增长的动态图以及比静态嵌入方法更高效。在多项任务和实验中，DynGEM 表现出优异的稳定性和可扩展性。

    May, 2018

  • 编辑距离的卷积嵌入

    本文提出了一种基于深度学习的 CNN-ED 管道，将编辑距离嵌入欧几里得距离以进行快速近似相似度搜索来优化字符串相似度搜索。实验结果表明，与数据无关的 CGK 嵌入和基于 RNN 的 GRU 嵌入相比，基于 CNN 的嵌入在准确性和效率方面都优于前者，有时效率提高了若干个数量级。

    Jan, 2020

  • 具有对齐正则化的高效图相似性计算

    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

  • 基于图度量嵌入的快速图算法

    本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

    Jun, 2019

  • 多尺度卷积集匹配学习的高效图相似度计算

    本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

    Sep, 2018