Dec, 2020

可撤销的深度强化学习附加亲和力正则化用于异常鲁棒性图匹配

HTML
PDF
TL;DR本文提出了基于深度强化学习的可撤销动作框架RGM，在处理GM中普遍存在的outliers时具有对抗性，并且使用二次逼近技术对相关得分进行规范化，以加强在最一般形式的GM Lawler's QAP中使用输入的现有GM方法的效果，实验结果表明该方法在精度和鲁棒性方面的表现良好。
发现论文，激发创造
  • 学习图匹配

    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

  • 图匹配与节点嵌入的Gromov-Wasserstein学习

    该论文提出一种基于Gromov-Wasserstein方法的图对齐及嵌入学习框架，通过学习最优传输距离完成图的对齐，以及标记距离来引导嵌入向量的学习，并通过结构正则化减小Gromov-Wasserstein距离，使用近端点法求解这个优化问题。该方法在现实网络中的匹配问题上具有卓越的性能表现。

    Jan, 2019

  • 通过深度强化学习在大规模图上学习启发式算法

    本文介绍了一种名为 GCOMB 的框架，利用概率贪心机制通过训练图卷积网络 (GCN) 预测一个节点的质量，以此解决图上的组合问题。实验表明，GCOMB 比学术界最先进的组合算法快 100 倍、质量略高。此外，GCOMB 在实际的 Influence Maximization（IM）组合问题上也展现了强大的性能。

    Mar, 2019

  • 学习组合嵌入网络以进行深度图匹配

    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

  • 神经图匹配网络：学习 Lawler 的二次分配问题，并扩展到超图和多图匹配

    本篇论文提出了一种利用权值矩阵进行学习的网络来解决Quadratic Assignment Problem(QAP)及图匹配的问题，该模型利用嵌入网络对顶点进行分类，并通过Sinkhorn归一化和交叉熵损失进行端到端的学习。实验结果表明，该方法在合成数据和现实图像上均取得了很好的效果。

    Nov, 2019

  • 深度图匹配一致性

    本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构，用于学习和精炼图之间的结构对应关系，并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。

    Jan, 2020

  • 组合求解器的黑盒微分在深度图匹配中的应用

    本文提出了一种可端到端学习的深度图匹配体系结构，其中包含未修改的组合求解器，并使用优化的组合求解器和架构设计的改进推进了关键点对应的深度图匹配基准的最新进展。

    Mar, 2020

  • 多层图匹配网络用于深度图相似度学习

    本研究提出了一种多层图匹配网络框架，其中包含节点-图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

    Jul, 2020

  • 二次约束下的深度图匹配

    该论文提出了一种利用二次约束明确表达配对图结构的深度图匹配(DGM)框架，并设计了误配损失，具有更好的惩罚假阴性和假阳性的效果，实验表明该方法在真实数据集上具有竞争性的性能。

    Mar, 2021

  • 基于强化学习的子图匹配查询顶点排序模型

    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