論文の概要: GEDAN: Learning the Edit Costs for Graph Edit Distance

• arxiv url: http://arxiv.org/abs/2508.03111v2
• Date: Thu, 25 Sep 2025 09:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 14:16:55.979045
• Title: GEDAN: Learning the Edit Costs for Graph Edit Distance
• Title（参考訳）: GEDAN: グラフ編集距離の編集コストを学習する
• Authors: Francesco Leonardi, Markus Orsi, Jean-Louis Reymond, Kaspar Riesen,
• Abstract要約: グラフ編集距離(GED)の編集コストを学習するための完全エンドツーエンドグラフニューラルネットワークフレームワークを提案する。 本手法は,GED近似のための教師なし自己組織化機構と,文脈的編集コストを柔軟に学習する一般化付加モデルを組み合わせる。
• 参考スコア（独自算出の注目度）: 1.4932780345357946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Edit Distance (GED) is defined as the minimum cost transformation of one graph into another and is a widely adopted metric for measuring the dissimilarity between graphs. The major problem of GED is that its computation is NP-hard, which has in turn led to the development of various approximation methods, including approaches based on neural networks (NN). However, most NN methods assume a unit cost for edit operations -- a restrictive and often unrealistic simplification, since topological and functional distances rarely coincide in real-world data. In this paper, we propose a fully end-to-end Graph Neural Network framework for learning the edit costs for GED, at a fine-grained level, aligning topological and task-specific similarity. Our method combines an unsupervised self-organizing mechanism for GED approximation with a Generalized Additive Model that flexibly learns contextualized edit costs. Experiments demonstrate that our approach overcomes the limitations of non-end-to-end methods, yielding directly interpretable graph matchings, uncovering meaningful structures in complex graphs, and showing strong applicability to domains such as molecular analysis.
• Abstract（参考訳）: グラフ編集距離 (Graph Edit Distance, GED) は、あるグラフから別のグラフへの最小コスト変換として定義され、グラフ間の相似性を測定するための広く採用されている指標である。 GEDの大きな問題は、その計算がNPハードであることであり、ニューラルネットワーク(NN)に基づくアプローチを含む様々な近似手法の開発につながっている。 しかし、ほとんどのNN手法では、トポロジカルな距離と機能的な距離が実世界のデータとほとんど一致しないため、編集作業の単位コストが制限的であり、しばしば非現実的な単純化を前提としている。 本稿では,GEDの編集コストを微粒なレベルで学習し,トポロジとタスク固有の類似性を整合させるための,完全なエンドツーエンドグラフニューラルネットワークフレームワークを提案する。 本手法は,GED近似のための教師なし自己組織化機構と,文脈的編集コストを柔軟に学習する一般化付加モデルを組み合わせる。 実験により,本手法は非エンドツーエンド手法の限界を克服し,直接解釈可能なグラフマッチングを実現し,複雑なグラフの有意義な構造を明らかにし,分子解析などの領域に強い適用性を示す。

関連論文リスト

• GRAIL: Graph Edit Distance and Node Alignment Using LLM-Generated Code [11.73546901244934]
  グラフ編集距離 (Graph Edit Distance, GED) は、2つのグラフ間の類似度を測定するために広く用いられている尺度である。 ニューラルメソッドは、非ニューラルアプローチと比較して近似品質の改善を実現している。 GRAILは、大規模言語モデル(LLM)と自動プロンプトチューニングを組み合わせて、GEDの計算に使用されるプログラムを生成する。
  論文  参考訳（メタデータ） (2025-05-04T14:14:24Z)
• Flexible Graph Similarity Computation With A Proactive Optimization Strategy [22.212014309562427]
  Graph Edit Distance (GED)は、グラフ類似性の原則的かつ柔軟な尺度を提供する。 GEDは、あるグラフを別のグラフに変換するのに必要な最小コストを、カスタマイズ可能な編集操作コストで定量化する。 既存の方法は、様々な運用コストに対応するのに苦労する。 フレキシブルGED近似のための新しい学習ベースアプローチであるGENを提案する。
  論文  参考訳（メタデータ） (2025-04-09T02:16:46Z)
• Community-Centric Graph Unlearning [10.906555492206959]
  我々は、新しいグラフ構造マッピング・アンラーニング・パラダイム(GSMU)と、それに基づく新しい手法CGE(Community-centric Graph Eraser)を提案する。 CGEは、コミュニティのサブグラフをノードにマッピングすることで、少ないマップ付きグラフ内でノードレベルの未学習操作の再構築を可能にする。
  論文  参考訳（メタデータ） (2024-08-19T05:37:35Z)
• EUGENE: Explainable Unsupervised Approximation of Graph Edit Distance with Generalized Edit Costs [20.3519249026886]
  グラフ編集距離(GED)は、グラフ間距離を測定するために好ましい。 GED計算はNPハードネスによって妨げられる。 教師なしの手法は、しばしば正確な近似を提供する際の課題に直面する。
  論文  参考訳（メタデータ） (2024-02-08T18:23:05Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• EPIC: Graph Augmentation with Edit Path Interpolation via Learnable Cost [12.191001329584502]
  本稿では,グラフデータセットを新たに拡張するEPIC (Edit Path Interpolation via learnable Cost)を提案する。 不規則な領域にある2つのグラフの間を補間するために、EPICは2つのグラフ間の変換プロセスを表す編集パスを構築する。 我々のアプローチは多くのタスクにおいて既存の拡張テクニックよりも優れています。
  論文  参考訳（メタデータ） (2023-06-02T07:19:07Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Combinatorial Learning of Graph Edit Distance via Dynamic Embedding [108.49014907941891]
  本稿では,従来の検索手法による編集経路の解釈可能性を組み合わせたハイブリッド手法を提案する。 動的プログラミングにインスパイアされたノードレベルの埋め込みは、動的再利用方式で指定され、サブ最適分岐がプルーニングされることが推奨される。 異なるグラフデータセットを用いた実験結果から,A* の探索処理は精度を犠牲にすることなく極めて容易であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-30T17:41:02Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。