Jun, 2024

具有对齐正则化的高效图相似性计算

PDF
TL;DR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。
graph similarity computationgraph edit distancegraph neural networksalignment regularizationmulti-scale ged discriminator
发现论文，激发创造
  • 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

  • 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

  • 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

  • 带有特征和邻接矩阵对齐的强健图结构学习

    本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

    Jul, 2023

  • 动态嵌入式组合学习图编辑距离

    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

  • 卷积集匹配用于图形相似度

    使用卷积神经网络在三个真实图形数据集上，展示了 GSimCNN 在计算结点间相似度方面的卓越性能。

    Oct, 2018

  • G-CREWE: 利用嵌入进行图压缩，实现网络对齐

    本文提出了一种名为 G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用 MERGE 压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。

    Jul, 2020

  • 基于表示学习的图对齐（REGAL）

    REGAL 是一种基于节点表示学习的多网络对齐框架，其中的 xNetMF 是一种优雅和有原则性的节点嵌入公式，可以显着提高速度和准确度，该方法在学习阶段比其他方法快 30 倍，在准确度方面比现有的网络对齐方法高 20% 至 30% ，可扩展到具有数百万个节点的网络。

    Feb, 2018

  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决 Residual Layered CARE-GNN 的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在 Yelp 和 Amazon 数据集上，采用这三种方法分别获得了 4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • 重新思考和扩大图形对比学习：一种具有群体歧视能力的极其高效的方法

    提出了一种新的基于 Group Discrimination 的方法 Graph Group Discrimination (GGD)，以简单的二元交叉熵损失代替相似性计算直接区分两组节点样本，相比于 GCL 方法，GGD 具有更高的计算效率和更少的训练轮数，并在八个数据集上表现优于现有的自监督方法。

    Jun, 2022