通过偏好感知 GAN 迈向基于匹配的图编辑距离求解器的无监督训练
机器学习
2025-10-14 v2 人工智能
摘要
图编辑距离 (GED) 是一种基本的图相似度度量，广泛应用于各种场景。然而，计算 GED 是一个 NP-hard 问题。近期最先进的混合 GED 求解器展现出了良好的性能，其将 GED 形式化为二分图匹配问题，随后利用生成式扩散模型预测两图之间的节点匹配，并从中使用传统算法提取 GED 及其对应的编辑路径。然而，此类方法通常严重依赖真值监督，而在真实场景中获取真值节点匹配往往成本高昂。在本文中，我们提出了 GEDRanker，一种用于 GED 计算的基于 GAN 的新型无监督框架。具体而言，GEDRanker 由一个基于匹配的 GED 求解器组成，并引入了一个可解释的偏好感知判别器。通过利用源自编辑路径长度的不同节点匹配上的偏好信号，该判别器能够引导基于匹配的求解器在无需真值监督的情况下生成高质量的节点匹配。在基准数据集上的大量实验表明，我们的 GEDRanker 能够使基于匹配的 GED 求解器在没有任何真值监督的情况下实现接近最优的解质量。
引用
@article{arxiv.2506.01977,
title = {Towards Unsupervised Training of Matching-based Graph Edit Distance Solver via Preference-aware GAN},
author = {Wei Huang and Hanchen Wang and Dong Wen and Shaozhen Ma and Wenjie Zhang and Xuemin Lin},
journal= {arXiv preprint arXiv:2506.01977},
year = {2025}
}