SEGMN：用于图相似度学习的结构增强图匹配网络
机器学习
2024-11-07 v1 信息检索
摘要
图相似度计算（GSC）旨在量化两个图之间的相似度分数。尽管近期基于图神经网络（GNN）的GSC方法利用消息传递中的图内结构，但很少有方法充分利用边结构来增强其连接节点的表示。此外，先前的跨图节点嵌入匹配缺乏图对的整体结构感知，因为来自GNN的节点表示局限于图内结构，导致不合理的相似度分数。从直觉上讲，分配图中表示的跨图结构有助于纠正不恰当的匹配。因此，我们提出了一种结构增强图匹配网络（SEGMN）。SEGMN配备了双嵌入学习模块与结构感知匹配模块，在嵌入学习和跨图匹配两方面均实现结构增强。双嵌入学习模块将相邻边表示融入每个节点以实现结构增强的表示。结构感知匹配模块通过分配图卷积实现跨图结构增强。每个跨图节点对的相似度分数可通过聚合来自结构相关节点对的消息得到修正。在基准数据集上的实验结果表明，SEGMN在GED回归任务中超越了最先进GSC方法，且结构感知匹配模块即插即用，可将基线性能提升最多25%。
引用
@article{arxiv.2411.03624,
title = {SEGMN: A Structure-Enhanced Graph Matching Network for Graph Similarity Learning},
author = {Wenjun Wang and Jiacheng Lu and Kejia Chen and Zheng Liu and Shilong Sang},
journal= {arXiv preprint arXiv:2411.03624},
year = {2024}
}