xNeuSM：基于图可学习多跳注意力网络的可解释神经子图匹配
机器学习
2023-12-05 v1 人工智能
摘要
子图匹配是一个具有挑战性的问题，在数据库系统、生物化学和认知科学中有广泛应用。它涉及确定给定查询图是否存在于更大的目标图中。传统的图匹配算法提供精确结果，但由于NP完全问题，在大图实例中面临挑战，限制了其实用性。相比之下，最近基于神经网络的近似方法提供了更可扩展的解决方案，但通常缺乏可解释的节点对应关系。为了解决这些限制，本文提出了xNeuSM：可解释神经子图匹配，它引入了图可学习多跳注意力网络（GLeMA），该网络自适应地学习每个节点在各跳之间控制注意力因子衰减的参数，而不是依赖固定的超参数。我们提供了理论分析，建立了GLeMA近似多跳注意力的误差界，该误差界是跳数的函数。此外，我们证明了为每个节点学习不同的注意力衰减因子可以正确近似多跳注意力。在真实世界数据集上的实验评估表明，与近似基线相比，xNeuSM在预测精度上实现了高达34%的显著提升，并且查询时间至少比精确算法快七倍。我们的实现源代码可在https://github.com/martinakaduc/xNeuSM获取。
引用
@article{arxiv.2312.01612,
title = {xNeuSM: Explainable Neural Subgraph Matching with Graph Learnable Multi-hop Attention Networks},
author = {Duc Q. Nguyen and Thanh Toan Nguyen and Tho quan},
journal= {arXiv preprint arXiv:2312.01612},
year = {2023}
}
备注
33 pages, 8 figures, 6 tables