EUGENE: Explainable Unsupervised Approximation of Graph Edit Distance

要約

クエリからの構造的距離が小さいグラフを識別する必要性は、生物学、化学、レコメンダー システム、およびソーシャル ネットワーク分析で発生します。
グラフ間距離を測定するいくつかの方法の中で、Graph Edit Distance (GED) がそのわかりやすさの点で好まれていますが、計算の NP 難易度によって妨げられます。
最先端の GED 近似では主にニューラル手法が使用されていますが、(i) 近似された GED に対応する説明的な編集パスが不足しています。
(ii) トレーニングのためにグラウンドトゥルース GED の NP ハード生成を要求する。
(iii) 各データセットで個別のトレーニングが必要になります。
この論文では、GED を近似し、近似コストに対応する編集パスを生成すると同時に、グラウンド トゥルースの生成やデータ固有のトレーニングの必要性を排除する、効率的な代数的教師なし手法 EUGENE を提案します。
広範な実験評価により、EUGENE の前述の利点は有効性を犠牲にして得られるものではないことが実証されています。
具体的には、EUGENE は、すべてのベンチマーク データセットにわたって最も正確な手法の 1 つに常にランクされており、大部分のニューラル アプローチを上回っています。

要約(オリジナル)

The need to identify graphs having small structural distance from a query arises in biology, chemistry, recommender systems, and social network analysis. Among several methods to measure inter graph distance, Graph Edit Distance (GED) is preferred for its comprehensibility, yet hindered by the NP-hardness of its computation. State-of-the-art GED approximations predominantly employ neural methods, which, however, (i) lack an explanatory edit path corresponding to the approximated GED; (ii) require the NP-hard generation of ground-truth GEDs for training; and (iii) necessitate separate training on each dataset. In this paper, we propose an efficient algebraic unsuper vised method, EUGENE, that approximates GED and yields edit paths corresponding to the approx imated cost, while eliminating the need for ground truth generation and data-specific training. Extensive experimental evaluation demonstrates that the aforementioned benefits of EUGENE do not come at the cost of efficacy. Specifically, EUGENE consistently ranks among the most accurate methods across all of the benchmark datasets and outperforms majority of the neural approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google