EUGENE:可解释的无监督图编辑距离近似
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
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
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
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
本研究提出了一种基于神经网络的子图相似性搜索方法,结合了剪枝技术和注意力机制,通过将图剪枝转化为节点重标记的可微分问题,并设计了多头剪枝策略,有效地优化了子图编辑距离计算。在七个基准数据集上实现了最新的最优结果。
Oct, 2022
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
本文提出神经字符串编辑距离模型用于字符串对匹配与转录,并在同一框架中平衡精度与可解释性,通过对认知相似性,音译以及字音转换等任务进行评估达到了最先进匹配模型的表现。
Apr, 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
评估因果发现算法学习到的图形是困难的:两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架,其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid(开源网址如上所示),我们提供了距离的实现;它们的速度比结构干预距离快几个数量级,从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。
Feb, 2024
本文提出了一种新的精确的无监督方法,即 UED,用于联合实体对齐和悬挂实体检测,在医学跨语言知识图谱数据集 MedED 中通过全局指导对齐信息和文本语义信息来生成虚拟实体对,利用实体对齐结果辅助悬挂实体检测,无需 supervision,取得了非常好的实验结果。
Mar, 2022