重新思考灵活图相似度计算：一种基于全局引导的单步对齐方法
机器学习
2026-02-26 v3 人工智能
数据结构与算法
摘要
图编辑距离 (GED) 是衡量图相似度的广泛使用度量，其灵活性体现在通过操作成本编码领域知识方面。然而，现有的基于学习的近似方法遵循一种解耦本地候选匹配选择与操作成本以及匹配之间全局依赖关系的建模范式。这种解耦削弱了其捕捉 GED 本质灵活性的能力，常迫使其依赖高昂的迭代细化才能获得准确的对齐。在本工作中，我们重新审视 GED 的公式化方式，修订了主流范式，并提出 Graph Edit Network (GEN)，这是一种严格整合成本感知费用估计与全局引导单步对齐的实现。具体而言，GEN 将操作成本纳入节点匹配费用估计中，确保匹配决策遵循指定的成本设置。此外，GEN 模型化了匹配在图内及图间的依赖关系，捕捉每个匹配对整体对齐影响的特征。这些设计使得无需迭代细化即可实现准确的 GED 近似。广泛的在真实世界和合成基准上的实验表明，GEN 在 GED 预测误差上可实现最高 37.8% 的降低，同时推理吞吐量提升最高可达 414 倍。这些结果凸显了 GEN 的实际效率及其方法的有效性。除了本实现之外，我们的修订提供了一个原则性框架，用于推动基于学习的 GED 近似方法的发展。
引用
@article{arxiv.2504.06533,
title = {Rethinking Flexible Graph Similarity Computation: One-step Alignment with Global Guidance},
author = {Zhouyang Liu and Ning Liu and Yixin Chen and Jiezhong He and Shuai Ma and Dongsheng Li},
journal= {arXiv preprint arXiv:2504.06533},
year = {2026}
}
备注
Accepted by ICDE 2026