EUGENE：具有广义编辑代价的可解释结构感知图编辑距离估计
机器学习
2025-09-30 v3
摘要
识别与查询具有较小结构距离的图的需求出现在生物学、化学、推荐系统和社交网络分析等领域。在几种测量图间距离的方法中，图编辑距离 (GED) 因其可理解性而备受青睐，尽管其计算受到 NP 困难性的阻碍。基于优化的启发式方法在提供准确近似方面经常面临挑战。最先进的 GED 近似方法主要利用神经方法，然而这些方法：(i) 缺乏与近似 GED 相对应的可解释编辑路径；(ii) 需要生成 NP 困难的真实 GED 用于训练；以及 (iii) 需要在每个数据集上单独训练。在本文中，我们提出了 EUGENE，这是一种高效、代数且结构感知的基于优化的方法，用于估计 GED 并提供与估计代价相对应的编辑路径。广泛的实验评估表明，EUGENE 在不同的数据集和广义代价设置下实现了最先进的 GED 估计，并具有卓越的可扩展性。
引用
@article{arxiv.2402.05885,
title = {EUGENE: Explainable Structure-aware Graph Edit Distance Estimation with Generalized Edit Costs},
author = {Aditya Bommakanti and Harshith Reddy Vonteri and Sayan Ranu and Panagiotis Karras},
journal= {arXiv preprint arXiv:2402.05885},
year = {2025}
}