論文の概要: Hierarchy-Aware Neural Subgraph Matching with Enhanced Similarity Measure
- arxiv url: http://arxiv.org/abs/2510.00402v1
- Date: Wed, 01 Oct 2025 01:27:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.321445
- Title: Hierarchy-Aware Neural Subgraph Matching with Enhanced Similarity Measure
- Title（参考訳）: 類似度を増強した階層型ニューラルネットワークサブグラフマッチング
- Authors: Zhouyang Liu, Ning Liu, Yixin Chen, Jiezhong He, Menghan Jia, Dongsheng Li,
- Abstract要約: グラフマッチングは、時間を要する検索を必要とするため、難しい。
最近のグラフニューラルネットワーク(GNN)ベースのアプローチでは、グラフ情報を抽出するためにGNNエンコーダを用いてこの問題に対処している。
ニューラルグラフマッチングのための新しいGNNアーキテクチャであるNC-Isoを提案する。
- 参考スコア（独自算出の注目度）: 22.57636502076737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subgraph matching is challenging as it necessitates time-consuming combinatorial searches. Recent Graph Neural Network (GNN)-based approaches address this issue by employing GNN encoders to extract graph information and hinge distance measures to ensure containment constraints in the embedding space. These methods significantly shorten the response time, making them promising solutions for subgraph retrieval. However, they suffer from scale differences between graph pairs during encoding, as they focus on feature counts but overlook the relative positions of features within node-rooted subtrees, leading to disturbed containment constraints and false predictions. Additionally, their hinge distance measures lack discriminative power for matched graph pairs, hindering ranking applications. We propose NC-Iso, a novel GNN architecture for neural subgraph matching. NC-Iso preserves the relative positions of features by building the hierarchical dependencies between adjacent echelons within node-rooted subtrees, ensuring matched graph pairs maintain consistent hierarchies while complying with containment constraints in feature counts. To enhance the ranking ability for matched pairs, we introduce a novel similarity dominance ratio-enhanced measure, which quantifies the dominance of similarity over dissimilarity between graph pairs. Empirical results on nine datasets validate the effectiveness, generalization ability, scalability, and transferability of NC-Iso while maintaining time efficiency, offering a more discriminative neural subgraph matching solution for subgraph retrieval. Code available at https://github.com/liuzhouyang/NC-Iso.
- Abstract（参考訳）: グラフマッチングは、時間を要する組合せ探索を必要とするため、難しい。
最近のグラフニューラルネットワーク(GNN)に基づくアプローチでは,GNNエンコーダを用いてグラフ情報とヒンジ距離を抽出し,埋め込み空間における囲い込み制約を確保する。
これらの手法は応答時間を著しく短縮し、サブグラフ検索に有望な解をもたらす。
しかし、それらは符号化中にグラフペア間のスケール差に悩まされ、特徴数に焦点をあてるが、ノードルートのサブツリー内の特徴の相対的な位置を見落とし、乱れた封じ込めの制約と誤った予測をもたらす。
さらに、ヒンジ距離測定は一致したグラフペアの識別力に欠けており、ランク付けを妨げている。
ニューラルサブグラフマッチングのための新しいGNNアーキテクチャであるNC-Isoを提案する。
NC-Isoは、ノードルートのサブツリー内の隣接するエキロン間の階層的依存関係を構築することで、特徴の相対的な位置を保存する。
マッチングペアのランク付け能力を高めるために,グラフペア間の相似性よりも類似性の優位性を定量化する,新しい類似性優位性向上尺度を導入する。
9つのデータセットの実証的な結果は、NC-Isoの有効性、一般化能力、スケーラビリティ、および転送性を評価しながら、時間効率を維持し、サブグラフ検索のためのより識別性の高いニューラルネットワークサブグラフマッチングソリューションを提供する。
コードはhttps://github.com/liuzhouyang/NC-Iso.comで公開されている。
関連論文リスト
- Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data [24.628203785306233]
長距離依存関係を扱うためのマルチビューサブグラフニューラルネットワーク(Muse)と呼ばれる新しい学習フレームワークを提案する。
部分グラフの2つのビューを融合させることで、学習された表現はグラフの位相的性質を広く保存することができる。
実験の結果,Museは限定ラベル付きデータを用いたノード分類タスクにおいて,代替手法よりも優れていた。
論文 参考訳（メタデータ） (2024-04-19T01:36:50Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。
これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Simplifying Node Classification on Heterophilous Graphs with Compatible
Label Propagation [6.071760028190454]
本稿では,グラフに対する半教師付きノード分類において,グラフアルゴリズムのラベル伝搬と浅いニューラルネットワークを組み合わせることで,GNNに匹敵する性能が得られることを示す。
本稿では,ノードが反対クラスのノードに接続されることの多い低ホモフィリーグラフ上では,このアプローチが不十分であることを示す。
アルゴリズムはまずクラス互換行列を学習し、次にクラス適合性によって重み付けされたLPアルゴリズムを用いてラベル予測を集約する。
論文 参考訳（メタデータ） (2022-05-19T08:34:34Z) - GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed
Graph Neural Networks [68.61934077627085]
本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。
既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-02-01T04:19:50Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - Neural Subgraph Matching [57.05893848555512]
NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。
NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
論文 参考訳（メタデータ） (2020-07-06T22:06:38Z)
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。