基于差异注意力的图编辑距离学习
人工智能
2023-08-29 v1
摘要
近年来,越来越多的研究聚焦于使用图神经网络(GNN)解决图相似度计算问题(GSC),即计算两张图之间的图编辑距离(GED)。这些方法将GSC视为端到端可学习任务,其架构核心是进行两图特征交互的特征融合模块。现有方法认为图级嵌入难以捕捉两图之间局部小结构的差异,因此在节点级嵌入上进行细粒度特征融合可提高精度,但在训练和推理阶段导致更大的时间与内存消耗。然而,本文提出一种新颖的图级融合模块差异注意力(DiffAtt),并证明图级融合嵌入可大幅优于这些复杂的节点级融合嵌入。我们假定两图的相对差异结构在计算其GED值中起重要作用。为此,DiffAtt利用两个图级嵌入之间的差异作为注意力机制来捕捉两图的结构差异。基于DiffAtt,提出了一种名为基于差异注意力的图编辑距离学习(REDRAFT)的新GSC方法,实验结果表明REDRAFT在五个基准数据集的25个指标中有23个达到最优性能。尤其在MSE上,分别比第二名高出19.9%、48.8%、29.1%、31.6%和2.2%。此外,我们提出一种定量测试剩余子图对齐测试(RESAT),以验证在所有图级融合模块中,DiffAtt生成的融合嵌入能最佳地捕捉两图之间的结构差异。
引用
@article{arxiv.2308.13871,
title = {Graph Edit Distance Learning via Different Attention},
author = {Jiaxi Lv and Liang Zhang and Yi Huang and Jiancheng Huang and Shifeng Chen},
journal= {arXiv preprint arXiv:2308.13871},
year = {2023}
}