用于深度图相似性学习的多级图匹配网络
机器学习
2021-08-20 v4 人工智能
机器学习
摘要
尽管著名的图神经网络能够为图的单个节点生成有效的表示,但在扩展到图相似性学习任务方面却相对较少成功。近期关于图相似性学习的工作要么考虑全局级的图-图交互,要么考虑低级的节点-节点交互,却忽略了丰富的跨级交互(例如,一个图的每个节点与另一个图整体之间的交互)。在本文中,我们提出了一种多级图匹配网络 (MGMN) 框架,以端到端的方式计算任意一对图结构对象之间的图相似度。具体而言,所提出的 MGMN 由一个节点-图匹配网络和一个孪生图神经网络组成,前者用于有效学习一个图的每个节点与另一个图整体之间的跨级交互,后者用于学习两个输入图之间的全局级交互。此外,为了弥补标准基准数据集的缺乏,我们创建并收集了一组具有不同大小的数据集,用于图-图分类和图-图回归任务,以评估我们模型的有效性和鲁棒性。综合实验表明,MGMN 在图-图分类和图-图回归任务上均持续优于最先进的基线模型。与先前的工作相比,随着两个输入图规模的增加,MGMN 也展现出更强的鲁棒性。
引用
@article{arxiv.2007.04395,
title = {Multilevel Graph Matching Networks for Deep Graph Similarity Learning},
author = {Xiang Ling and Lingfei Wu and Saizhuo Wang and Tengfei Ma and Fangli Xu and Alex X. Liu and Chunming Wu and Shouling Ji},
journal= {arXiv preprint arXiv:2007.04395},
year = {2021}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (IEEE TNNLS)