論文の概要: Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation

• arxiv url: http://arxiv.org/abs/2005.08008v3
• Date: Tue, 5 Jan 2021 00:19:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 13:05:34.273147
• Title: Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation
• Title（参考訳）: グラフ類似性計算のためのグラフ分割とグラフニューラルネットワークに基づく階層グラフマッチング
• Authors: Haoyan Xu, Ziheng Duan, Jie Feng, Runjian Chen, Qianru Zhang, Zhongbin Xu, Yueyang Wang
• Abstract要約: グラフ類似性は、下流アプリケーションを容易にするために、1組のグラフ間の類似度スコアを予測することを目的としている。 この問題を効果的に解決するために,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案する。 PSimGNNはグラフ類似度メトリックとして近似グラフ編集距離(GED)を用いてグラフ類似度計算タスクにおける最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 5.710312846460821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph similarity computation aims to predict a similarity score between one pair of graphs to facilitate downstream applications, such as finding the most similar chemical compounds similar to a query compound or Fewshot 3D Action Recognition. Recently, some graph similarity computation models based on neural networks have been proposed, which are either based on graph-level interaction or node-level comparison. However, when the number of nodes in the graph increases, it will inevitably bring about reduced representation ability or high computation cost. Motivated by this observation, we propose a graph partitioning and graph neural network-based model, called PSimGNN, to effectively resolve this issue. Specifically, each of the input graphs is partitioned into a set of subgraphs to extract the local structural features directly. Next, a novel graph neural network with an attention mechanism is designed to map each subgraph into an embedding vector. Some of these subgraph pairs are automatically selected for node-level comparison to supplement the subgraph-level embedding with fine-grained information. Finally, coarse-grained interaction information among subgraphs and fine-grained comparison information among nodes in different subgraphs are integrated to predict the final similarity score. Experimental results on graph datasets with different graph sizes demonstrate that PSimGNN outperforms state-of-the-art methods in graph similarity computation tasks using approximate Graph Edit Distance (GED) as the graph similarity metric.
• Abstract（参考訳）: グラフ類似性計算は、1組のグラフ間の類似度スコアを予測することを目的としており、例えばクエリ化合物やFewshot 3D Action Recognitionとよく似た化合物を見つけるなど、下流のアプリケーションを容易にする。 近年、グラフレベルの相互作用やノードレベルの比較に基づくニューラルネットワークに基づくグラフ類似性計算モデルが提案されている。 しかし、グラフ内のノード数が増加すると、必然的に表現能力の低下や計算コストの増大をもたらす。 そこで本研究では,PSimGNNと呼ばれるグラフ分割とグラフニューラルネットワークに基づくモデルを提案し,この問題を効果的に解決する。 具体的には、各入力グラフを一連のサブグラフに分割して、局所的な構造的特徴を直接抽出する。 次に、注目機構を備えた新しいグラフニューラルネットワークを設計し、各サブグラフを埋め込みベクトルにマッピングする。 これらのサブグラフペアのいくつかはノードレベルの比較のために自動的に選択され、サブグラフレベルの埋め込みを細かな情報で補完する。 最後に、各サブグラフ間の粗粒度相互作用情報と異なるサブグラフ内のノード間の微粒度比較情報を統合し、最終的な類似度スコアを予測する。 グラフサイズが異なるグラフデータセットに対する実験結果から,PSimGNNはグラフ類似度指標として近似グラフ編集距離(GED)を用いたグラフ類似性計算タスクにおいて,最先端の手法よりも優れていることが示された。

関連論文リスト

• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein Embedding for Graph Learning [33.90471037116372]
  Wasserstein Embedding for Graph Learning (WEGL)は、グラフ全体をベクトル空間に埋め込むフレームワークである。 グラフ間の類似性をノード埋め込み分布間の類似性の関数として定義する上で,新たな知見を活用する。 各種ベンチマークグラフ固有性予測タスクにおける新しいグラフ埋め込み手法の評価を行った。
  論文  参考訳（メタデータ） (2020-06-16T18:23:00Z)
• CoSimGNN: Towards Large-scale Graph Similarity Computation [5.17905821006887]
  グラフニューラルネットワーク(GNN)はこのタスクにデータ駆動型ソリューションを提供する。 既存のGNNベースの手法は、それぞれ2つのグラフを埋め込んだり、グラフ全体のクロスグラフインタラクションをデプロイしたりするが、まだ競合する結果が得られない。 このフレームワークは,まず適応的なプーリング操作で大きなグラフを埋め込んで粗くし,最後に類似点を求めるために粗いグラフにきめ細かな相互作用を展開させる。
  論文  参考訳（メタデータ） (2020-05-14T16:33:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。