GLSearch：基于学习搜索的最大公共子图检测
机器学习
2021-05-13 v3 社会与信息网络
机器学习
摘要
检测两个输入图之间的最大公共子图（MCS）在药物合成、恶意软件检测、云计算等应用中具有基础性意义。然而，MCS计算是NP难的，且最先进的MCS求解器依赖启发式搜索算法，在实践中给定有限计算预算时无法为大型图对找到良好解。我们提出GLSearch，一种基于图神经网络（GNN）的学习搜索模型。我们的模型构建于分支定界算法之上，该算法每次从两个输入图中选择一对节点进行扩展。我们提出一种新颖的基于GNN的深度Q网络（DQN）来选择节点对，而非使用启发式方法，从而使搜索过程更快且更具适应性。为进一步加强DQN的训练，我们利用搜索过程在预训练阶段提供监督，并在模仿学习阶段引导我们的智能体。在合成与真实世界大型图对上的实验表明，我们的模型学习到的搜索策略能够在相同计算预算下检测到显著更大的公共子图。我们的GLSearch可潜在扩展至求解许多其他带图约束的组合问题。
引用
@article{arxiv.2002.03129,
title = {GLSearch: Maximum Common Subgraph Detection via Learning to Search},
author = {Yunsheng Bai and Derek Xu and Yizhou Sun and Wei Wang},
journal= {arXiv preprint arXiv:2002.03129},
year = {2021}
}
备注
Accepted by ICML 2021