論文の概要: D2Match: Leveraging Deep Learning and Degeneracy for Subgraph Matching

• arxiv url: http://arxiv.org/abs/2306.06380v1
• Date: Sat, 10 Jun 2023 08:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 19:13:02.232219
• Title: D2Match: Leveraging Deep Learning and Degeneracy for Subgraph Matching
• Title（参考訳）: d2match: サブグラフマッチングのためのディープラーニングと縮退の活用
• Authors: Xuanzhou Liu, Lin Zhang, Jiaqi Sun, Yujiu Yang, Haiqin Yang
• Abstract要約: グラフベースのアプリケーションにとって、サブグラフマッチングは基本的なビルディングブロックである。 サブグラフマッチングにおけるディープラーニングとデジェネリシーの効率を活用してD2Matchを開発する。
• 参考スコア（独自算出の注目度）: 18.53692718028551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgraph matching is a fundamental building block for graph-based applications and is challenging due to its high-order combinatorial nature. Existing studies usually tackle it by combinatorial optimization or learning-based methods. However, they suffer from exponential computational costs or searching the matching without theoretical guarantees. In this paper, we develop D2Match by leveraging the efficiency of Deep learning and Degeneracy for subgraph matching. More specifically, we first prove that subgraph matching can degenerate to subtree matching, and subsequently is equivalent to finding a perfect matching on a bipartite graph. We can then yield an implementation of linear time complexity by the built-in tree-structured aggregation mechanism on graph neural networks. Moreover, circle structures and node attributes can be easily incorporated in D2Match to boost the matching performance. Finally, we conduct extensive experiments to show the superior performance of our D2Match and confirm that our D2Match indeed exploits the subtrees and differs from existing GNNs-based subgraph matching methods that depend on memorizing the data distribution divergence
• Abstract（参考訳）: グラフベースのアプリケーションでは、サブグラフマッチングは基本的なビルディングブロックであり、その高次組合せの性質から難しい。 既存の研究は通常、組合せ最適化や学習に基づく手法でそれに取り組む。 しかし、指数関数計算コストや、理論的な保証なしにマッチングを探すことに苦しむ。 本稿では,ディープラーニングとデジェネリシーの効率を活用してD2Matchを開発した。 より具体的には、まず、部分グラフマッチングが部分木マッチングに退化できることを証明し、その後、二部グラフ上の完全マッチングを見つけることと同値である。 次に,グラフニューラルネットワーク上の木構造集約機構を組み込んだ線形時間複雑性の実装を実現する。 さらに、円構造とノード属性をD2Matchに簡単に組み込むことができ、マッチング性能が向上する。 最後に、我々のD2Matchの優れた性能を示すための広範な実験を行い、我々のD2Matchが実際にサブツリーを利用しており、データ分散の分散を記憶する既存のGNNベースのサブグラフマッチング方法とは異なることを確認した。

関連論文リスト

• PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph Matching [14.713628231555223]
  本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。 我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。 そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
  論文  参考訳（メタデータ） (2023-01-05T06:54:21Z)
• Learning Universe Model for Partial Matching Networks over Multiple Graphs [78.85255014094223]
  2つまたは複数のグラフの部分的マッチングのための宇宙マッチングスキームを開発する。 不整合及び不整合検出のための微妙なロジックを、明確にモデル化することができる。 これは、2グラフマッチング、複数グラフマッチング、オンラインマッチング、混合グラフマッチングを同時に扱うことができる最初のディープラーニングネットワークである。
  論文  参考訳（メタデータ） (2022-10-19T08:34:00Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• S2DNet: Learning Accurate Correspondences for Sparse-to-Dense Feature Matching [36.48376198922595]
  S2DNetは、堅牢で正確な対応を確立するために設計、訓練された新しい特徴マッチングパイプラインである。 我々は,S2DNetがHPatchesベンチマークおよび複数の長期視覚的ローカライゼーションデータセットの最先端結果を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-03T17:04:34Z)
• Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
  本稿では,効率よく適応的なコード駆動グラフを提案する。 自動エンコーダのコンテキストでデコードすることで更新される。 ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
  論文  参考訳（メタデータ） (2020-02-27T05:58:12Z)

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。