面向图相似度学习的 GED-一致的对齐/非对齐次结构解耦
机器学习
2025-11-26 v1 人工智能
数据库
摘要
图相似度计算（GSC）是图相关的基本任务，图编辑距离（GED）作为常用度量。GED 由图间的最优对齐决定，该对齐将每个图划分为对齐（零成本）和非对齐（产生成本）次结构。由于精确 GED 计算的 NP-hard 本质，基于图神经网络（GNN）的 GED 近似方法逐渐出现。现有 GNN-based GED 方法通常为每个图学习节点嵌入，然后聚合成对节点相似度以估计最终相似度。尽管这些方法有效，我们识别出了这种普遍的以节点为中心的匹配范式与 GED 核心原则之间的偏差。这一差异导致两个关键局限性：（1）无法捕获最优对齐的全局结构对应关系；（2）对由虚假节点级信号驱动的编辑成本归因不当。为解决这些局限性，我们提出 GCGSim—a一个以图级匹配和次结构级编辑成本为中心的 GED-一致图相似度学习框架。具体而言，我们作出了三项核心技术贡献。广泛的实验表明，GCGSim 在四个基准数据集上实现了最先进的性能。我们的全面分析进一步验证，该框架有效学习了解耦且语义意义明确的次结构表示。
引用
@article{arxiv.2511.19837,
title = {GED-Consistent Disentanglement of Aligned and Unaligned Substructures for Graph Similarity Learning},
author = {Zhentao Zhan and Xiaoliang Xu and Jingjing Wang and Junmei Wang},
journal= {arXiv preprint arXiv:2511.19837},
year = {2025}
}