MATA*：将可学习节点匹配与 A* 算法结合用于近似图编辑距离计算
机器学习
2023-11-07 v1
摘要
图编辑距离（GED）是一种通用且与领域无关的图相似性度量，广泛用于图搜索或检索任务。然而，精确 GED 计算已知是 NP 完全的。例如，广泛使用的 A* 算法探索整个搜索空间以寻找最优解，不可避免地面临可扩展性问题。基于学习的方法应用图表示技术，通过将 GED 建模为回归任务来学习 GED，但无法恢复编辑路径并导致不准确的 GED 近似（即预测的 GED 小于精确值）。为此，本文提出一种数据驱动的混合方法 MATA*，基于图神经网络（GNNs）和 A* 算法进行近似 GED 计算，其从学习匹配节点而非直接回归 GED 的视角建模。具体而言，考虑到 GED 计算中结构主导操作（即节点和边的插入/删除）的特性，首先设计了一种结构增强的 GNN，联合学习局部和高阶结构信息以用于节点匹配的节点嵌入。其次，通过可微 top-k 操作生成 top-k 候选节点，以实现节点匹配的训练，这遵循 GED 的另一特性，即多个最优节点匹配。第三，得益于候选节点，MATA* 仅在有望的搜索方向上进行，高效到达解。最后，大量实验表明 MATA* 的优越性，其显著优于基于组合搜索、基于学习和混合的方法，并且能很好地扩展到大规模图。
引用
@article{arxiv.2311.02356,
title = {MATA*: Combining Learnable Node Matching with A* Algorithm for Approximate Graph Edit Distance Computation},
author = {Junfeng Liu and Min Zhou and Shuai Ma and Lujia Pan},
journal= {arXiv preprint arXiv:2311.02356},
year = {2023}
}
备注
Accepted by CIKM23