层次感知神经子图匹配：增强相似度度量
机器学习
2025-10-02 v1
摘要
子图匹配因需进行耗时的组合搜索而具有挑战性。最近的基于图神经网络（GNN）的方法通过采用GNN编码器提取图信息并利用hinge距离度量确保嵌入空间中的包含约束来解决此问题。这些方法显著缩短了响应时间，成为子图检索的有前景的解决方案。然而，它们在编码过程中存在图对之间的尺度差异，因为它们关注特征计数而忽略节点根部子树中特征的相对位置，导致包含约束受扰乱和错误预测。此外，这些方法的hinge距离度量缺乏对匹配图对的判别力，阻碍了排序应用。我们提出了NC-Iso，这是一种 novel GNN 架构用于神经子图匹配。NC-Iso 通过构建节点根部子树中相邻各层之间的层次依赖关系来保留特征的相对位置，确保匹配的图对保持一致的层次结构，同时在特征计数上满足包含约束。为了增强匹配对的排序能力，我们引入了一种新的相似度支配比增强度量，该度量量化了图对之间相似性相对于不相似性的支配程度。九个数据集上的实验验证了NC-Iso在有效性、泛化能力、可扩展性和可迁移性方面的优势，同时保持了时间效率，为子图检索提供了更具判别力的神经子图匹配解决方案。代码已公开 https://github.com/liuzhouyang/NC-Iso。
引用
@article{arxiv.2510.00402,
title = {Hierarchy-Aware Neural Subgraph Matching with Enhanced Similarity Measure},
author = {Zhouyang Liu and Ning Liu and Yixin Chen and Jiezhong He and Menghan Jia and Dongsheng Li},
journal= {arXiv preprint arXiv:2510.00402},
year = {2025}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering