IRMA：面向图匹配的迭代修复算法

来自不同领域的两个相似图的对齐是一个被广泛研究的问题。在许多实际使用中，顶点或边上没有可靠的信息或标签，使得结构相似性成为匹配此类图的唯一可用信息。在这种情况下，人们通常假设已有少量已对齐的顶点——称为种子。当前最先进的可扩展种子对齐算法基于渗透法。即利用已对齐顶点去对齐其邻居，并在两个图中并行逐渐渗透。然而，基于渗透的图对齐算法在无标度度分布下仍受限。本文提出「IRMA」——面向图匹配的迭代修复（Iterative Repair for graph MAtching），以表明在真实世界图中，以有限的额外计算成本并在并行版本下以更低运行时间，可提升基于渗透算法的精度。IRMA 首先使用现有渗透算法创建初始对齐，然后迭代修复先前对齐步骤中的错误。我们证明 IRMA 优于单轮迭代算法。随后通过数值实验表明，在已有算法所测试的图上，它显著优于所有最先进的种子图对齐算法。在无标度网络中，许多顶点度极低，这类顶点错误对齐概率高。我们表明，在对齐中结合高召回但低精度的迭代，长远来看可提升整体对齐的召回率与精度。