使用神经集合散度计算具有通用代价的图编辑距离
机器学习
2024-11-05 v2 人工智能
摘要
图编辑距离（GED）衡量两个给定图之间的（不）相似度，以将一个图转换为另一个图的最小代价编辑序列为度量。然而，GED 的精确计算是 NP-Hard 问题，这最近推动了用于 GED 估计的神经方法的设计。但这些方法并未明确考虑具有不同代价的编辑操作。为此，我们提出了 GRAPHEDX，一种神经 GED 估计器，能够处理为四种编辑操作（即边删除、边添加、节点删除和节点添加）指定的通用代价。我们首先将 GED 表示为一个包含这四种代价的二次分配问题（QAP）。然后，我们将每个图表示为一组节点和边嵌入，并使用它们设计一系列神经集合散度代理。我们将对应于每个操作的 QAP 项替换为其代理。计算这种神经集合散度需要对齐两个图的节点和边。我们使用 Gumbel-Sinkhorn 排列生成器学习这些对齐，并额外确保节点和边对齐彼此一致。此外，这些对齐同时考虑了节点对之间边的存在与缺失。在多种编辑代价设置下，对多个数据集的实验表明，GRAPHEDX 在预测误差方面始终优于最先进的方法和启发式算法。
引用
@article{arxiv.2409.17687,
title = {Graph Edit Distance with General Costs Using Neural Set Divergence},
author = {Eeshaan Jain and Indradyumna Roy and Saswat Meher and Soumen Chakrabarti and Abir De},
journal= {arXiv preprint arXiv:2409.17687},
year = {2024}
}
备注
Published at NeurIPS 2024