PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching

要約

グラフマッチングは組み合わせ最適化問題として定式化され、エッジとして表現されるノードのペアの間に対応する関係が存在する。この問題は、高い類似性を持つノードとエッジのために潜在的な曖昧性が存在する場合に困難となり、類似コンテンツのマッチングのための正確な結果を見つける必要がある。本論文では、線形割り当て問題を、類似コンテンツマッチングの性能向上に重要なノードレベルの相対位置情報を加えた高次元空間にマッピングできる、新しいエンドツーエンドニューラルネットワークを紹介する。本モデルは、ノードの相対位置のアンカーセットを構築し、相対位置の指標に基づいてターゲットノードと各アンカーノードの特徴情報を集約する。そして、トポロジー構造と相対位置情報を統合してノードの特徴表現を学習することで、2つのグラフ間の線形割り当てを実現する。本手法の有効性と汎用性を検証するため、異なる実世界のデータセットに対して、カテゴリ横断的なマッチングを含むグラフマッチング実験を行う。また、異なるベースラインとの比較により、本手法の優位性を実証する。本手法のソースコードは https://github.com/anonymous で公開されている。

要約(オリジナル)

Graph matching can be formalized as a combinatorial optimization problem, where there are corresponding relationships between pairs of nodes that can be represented as edges. This problem becomes challenging when there are potential ambiguities present due to nodes and edges with high similarity, and there is a need to find accurate results for similar content matching. In this paper, we introduce a novel end-to-end neural network that can map the linear assignment problem into a high-dimensional space augmented with node-level relative position information, which is crucial for improving the method’s performance for similar content matching. Our model constructs the anchor set for the relative position of nodes and then aggregates the feature information of the target node and each anchor node based on a measure of relative position. It then learns the node feature representation by integrating the topological structure and the relative position information, thus realizing the linear assignment between the two graphs. To verify the effectiveness and generalizability of our method, we conduct graph matching experiments, including cross-category matching, on different real-world datasets. Comparisons with different baselines demonstrate the superiority of our method. Our source code is available under https://github.com/anonymous.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL