通过神经图剪枝实现准确的子图相似度计算
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
本文提出了一种新的神经网络模型 Neural Subgraph Explorer,通过在句法图上修剪与目标无关的节点并引入目标词汇的一阶连接,解决了现有基于语法的模型在情感分类任务中的两个问题:信息的噪声聚合和远程相关信息的丢失。实验证明该模型在此任务中达到了最新的最好表现。
May, 2022
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
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
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
使用节点剪枝和子空间形成技术,该论文提出了可以在保持网络性能最大化的同时去除计算单元来提高深度网络的效率,通过重新组织网络和使用正交子空间来选择合适的剪枝比例,并在 VGG 和残差网络中验证了该方法的优越性。
May, 2024
本文提出一种新的精确剪枝技术,利用有效的最优传输方案,使得算法自动调整探索 - 开发行为,从而在 3 个不同的数据集、5 个不同的模型、各种剪枝比例和两种稀疏度预算和剪枝颗粒度等方面均取得了先进的性能。
Jul, 2023
NeuroMatch 利用图神经网络将查询和目标图分解成小的子图,并在嵌入空间中直接实现子图匹配,实验证明其比现有的组合匹配方法快 100 倍,比现有的近似子图匹配方法精度高 18%。
Jul, 2020
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
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