面向多图部分匹配的学习型宇宙模型

我们考虑两个或多个图部分匹配的通用设定，即一个图中的节点不一定都能在另一个图中找到对应，反之亦然。我们针对这一普遍问题采用宇宙匹配视角，其中每个节点要么被匹配到虚拟宇宙图中的某个锚点，要么被视为离群点。这种宇宙匹配方案具有若干重要优点，现有基于学习的图匹配（GM）文献尚未采用。首先，可以清晰建模用于内点匹配与离群点检测的微妙逻辑，而在成对匹配方案中处理起来较不方便。其次，它支持端到端学习，尤其是用于内点匹配的宇宙级亲和度度量学习，以及将离群点聚集的损失设计。第三，所得匹配模型可轻松处理在线匹配中新到达的图，甚至是来自训练集不同类别的图。据我们所知，这是首个能同时处理二图匹配、多图匹配、在线匹配与混合图匹配的深度学习的网络。大量实验结果表明我们的方法在这些设定下取得了最先进的性能。