Aug, 2023

图匹配中的解决方案多样化匹配滤波器

PDF
TL;DR本研究提出了一种用于在非常庞大的背景图中查找多个嵌入模板图的新方法，该方法基于 Sussman 等人提出的图匹配匹配滤波技术，通过在匹配滤波算法中迭代地对合适的节点对相似度矩阵进行惩罚，实现了多样化匹配的发现。此外，我们提出了算法速度的优化，极大地提高了我们的匹配滤波方法的可扩展性。通过在相关 Erdos-Renyi 图的设置中，理论上证明了我们方法在温和的模型条件下能够顺序地发现多个模板。我们还通过大量的实验验证了我们方法的实用性，包括使用模拟模型和真实世界数据集，如人脑连接组和大型事务知识库。
template graphsgraph matchingmatched filter techniquealgorithmic speed-upsmultiple templates discovery
发现论文，激发创造
  • 基于模板的图聚类

    提出了一种由附加信息引导的新颖图聚类方法，将问题形式化为将观察到的图的 n 个顶点（要聚类）与 k 个顶点的模板图匹配，使用其边缘作为支持信息，并在正交矩阵集合上放松，易于找到 k 维嵌入。通过编码聚集的密度和他们的关系的相关先验，我们的方法在特别具有挑战性的情况下优于传统方法。

    Jul, 2021

  • 稳健的多模态图匹配：稀疏编码遇上图匹配

    研究提出了一种基于稀疏技术的鲁棒图匹配算法，可处理加权或非加权图，也适用于不同类型数据的多模态图，并结合合作式图推理技术解决不同模态数据的一般网络推理问题，并以脑功能磁共振成像数据为例进行了应用与验证。

    Nov, 2013

  • 交替方向图匹配

    本文提出了一种基于约束的图匹配方法，能够处理任意阶数、任意势函数的约束，在先前依赖于图结构的分解方法的基础上，通过约束匹配的分解，将图匹配重构为非凸非可分的优化问题，通过交替方向乘子法将其分解为多个较小、易于解决的子问题，从而设计了一个模块化可扩展的框架，并对基于两两约束和高阶约束的两个不同实例进行了研究，实验结果表明，所提出的解决方案在广泛采用的合成和真实示例基准测试中优于现有的两两图匹配方法，并且在高阶设置中具有竞争力。

    Nov, 2016

  • 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

  • 分而治之图匹配的谱聚类

    本文提出一种并行的双射图匹配算法，利用种子并设计用于匹配非常大的图形。我们的算法结合了谱图嵌入和现有的最先进的带种子的图匹配过程。我们证明了我们的方法，通过我们的分治过程，可以正确匹配中度相关的大型随机块模型随机图，而仅使用极少的种子。我们还展示了我们的方法在模拟和真实数据示例中匹配非常大的图形的有效性，显示运行时间最多缩短 8 倍，同时准确性最小损失。

    Oct, 2013

  • 图搜索和匹配实现的多文档摘要

    本论文提出了一种基于图表达的文本相似性和差异性总结方法，使用 “spreading activation” 技术在两个相关文档中发现与主题语义相关的节点，并将两个文档的激活图匹配以获得相似和不同之处的图。

    Dec, 1997

  • 图匹配：自行决定松弛程度的风险

    研究了图匹配问题，通过实验证明了最优解不可达，证实了松弛算法加梯度下降算法的方法能在实践中达到优秀的效果。

    May, 2014

  • 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

  • 随机迭代图匹配

    本文提出了一种新的基于图神经网络的图匹配方法，名为 Stochastic Iterative Graph MAtching (SIGMA)，该方法采用多步匹配程序和虚拟节点等创新技术，并采用可伸缩随机优化方法，经过大量实验验证表明，与现有领先方法相比，该方法在合成图数据集、生物化学和计算机视觉应用中，均能显著提高图匹配的结果。

    Jun, 2021

  • 使用多任务图滤波模型在图上进行在线分布式学习

    本研究考虑了从流数据中自适应和分布式地估算图滤波器的问题，将其建模为图上的共识估算问题，并引入一种预处理的图扩散 LMS 算法以提高算法的收敛速度，并提出了一种更为通用的解决方案，采用无监督的聚类方法来进行全局估计问题的分解。

    Dec, 2019