論文の概要: HeGMN: Heterogeneous Graph Matching Network for Learning Graph Similarity

• arxiv url: http://arxiv.org/abs/2503.08739v1
• Date: Tue, 11 Mar 2025 07:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:40:03.354849
• Title: HeGMN: Heterogeneous Graph Matching Network for Learning Graph Similarity
• Title（参考訳）: HeGMN: グラフ類似性学習のための不均一グラフマッチングネットワーク
• Authors: Shilong Sang, Ke-Jia Chen, Zheng liu,
• Abstract要約: 本稿ではヘテロジニアスグラフマッチングネットワーク(HeGMN)を提案する。 2層マッチング機構からなるエンドツーエンドのグラフ類似性学習フレームワークである。 HeGMNは、すべてのデータセットにおけるグラフ類似性予測の高度なパフォーマンスを一貫して達成する。
• 参考スコア（独自算出の注目度）: 3.6560264185068916
• License:
• Abstract: Graph similarity learning (GSL), also referred to as graph matching in many scenarios, is a fundamental problem in computer vision, pattern recognition, and graph learning. However, previous GSL methods assume that graphs are homogeneous and struggle to maintain their performance on heterogeneous graphs. To address this problem, this paper proposes a Heterogeneous Graph Matching Network (HeGMN), which is an end-to-end graph similarity learning framework composed of a two-tier matching mechanism. Firstly, a heterogeneous graph isomorphism network is proposed as the encoder, which reinvents graph isomorphism network for heterogeneous graphs by perceiving different semantic relationships during aggregation. Secondly, a graph-level and node-level matching modules are designed, both employing type-aligned matching principles. The former conducts graph-level matching by node type alignment, and the latter computes the interactions between the cross-graph nodes with the same type thus reducing noise interference and computational overhead. Finally, the graph-level and node-level matching features are combined and fed into fully connected layers for predicting graph similarity scores. In experiments, we propose a heterogeneous graph resampling method to construct heterogeneous graph pairs and define the corresponding heterogeneous graph edit distance, filling the gap in missing datasets. Extensive experiments demonstrate that HeGMN consistently achieves advanced performance on graph similarity prediction across all datasets.
• Abstract（参考訳）: グラフ類似性学習(GSL)は、コンピュータビジョン、パターン認識、グラフ学習において基本的な問題である。 しかし、以前のGSL法では、グラフは均質であり、不均一グラフ上での性能を維持するのに苦労していると仮定していた。 そこで本研究では,2層マッチング機構からなるエンドツーエンドのグラフ類似性学習フレームワークであるHeterogeneous Graph Matching Network (HeGMN)を提案する。 まず、不均一グラフ同型ネットワークをエンコーダとして提案し、アグリゲーション中に異なる意味関係を知覚することにより、不均一グラフのグラフ同型ネットワークを再発明する。 第二に、グラフレベルとノードレベルのマッチングモジュールが設計され、どちらも型整合の原則を採用している。 前者はノード型アライメントによるグラフレベルのマッチングを行い、後者はクロスグラフノード間の相互作用を同じタイプで計算し、ノイズ干渉と計算オーバーヘッドを低減する。 最後に、グラフレベルとノードレベルのマッチング機能を組み合わせて、グラフ類似度スコアを予測するために、完全に接続された層にフィードする。 実験では、不均一グラフペアを構築するための異種グラフ再サンプリング手法を提案し、それに対応する異種グラフ編集距離を定義し、欠落したデータセットのギャップを埋める。 大規模な実験により、HeGMNは全てのデータセットにおけるグラフ類似性予測の高度な性能を一貫して達成している。

関連論文リスト

• NoiseHGNN: Synthesized Similarity Graph-Based Neural Network For Noised Heterogeneous Graph Representation Learning [4.902764870284444]
  本稿では,異種異種グラフ学習に適合する新しい類似性に基づくグラフニューラルネットワークを提案する。 多くの実世界のデータセットで実験したところ、提案手法はノイズのある異種グラフ学習タスクにおける最先端の記録を達成している。
  論文  参考訳（メタデータ） (2024-12-24T08:27:33Z)
• 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)
• Beyond Homophily: Reconstructing Structure for Graph-agnostic Clustering [15.764819403555512]
  グラフを好適なGNNモデルが見つかる前に、まずホモ親和性あるいはヘテロ親和性として識別することは不可能である。 本稿では,グラフ再構成,混合フィルタ,二重グラフクラスタリングネットワークという3つの重要な要素を含むグラフクラスタリング手法を提案する。 我々の手法は異種グラフ上で他者を支配している。
  論文  参考訳（メタデータ） (2023-05-03T01:49:01Z)
• 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)
• 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)
• 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)
• High-Order Relation Construction and Mining for Graph Matching [36.880853889521845]
  高次情報を記述するために、反復線グラフが最初に導入された。 本稿では,HGMN(High-order Graph Matching Network)と呼ばれる新しいグラフマッチング手法を提案する。 実用的な制約を課すことで、HGMNは大規模グラフに拡張性を持たせることができる。
  論文  参考訳（メタデータ） (2020-10-09T03:30:02Z)
• 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)

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。