論文の概要: Iteratively Refined Early Interaction Alignment for Subgraph Matching based Graph Retrieval

• arxiv url: http://arxiv.org/abs/2510.22538v1
• Date: Sun, 26 Oct 2025 05:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.529619
• Title: Iteratively Refined Early Interaction Alignment for Subgraph Matching based Graph Retrieval
• Title（参考訳）: 部分グラフマッチングに基づくグラフ検索のための反復的初期相互作用アライメント
• Authors: Ashwin Ramachandran, Vaibhav Raj, Indrayumna Roy, Soumen Chakrabarti, Abir De,
• Abstract要約: 我々は、いくつかの技術革新に基づく早期相互作用グラフニューラルネットワーク(GNN)であるIsoNet++を紹介する。 まず、2つの入力グラフ内および横断するメッセージを渡すことで、すべてのノードの埋め込みを計算する。 次に、このアライメントを複数のラウンドで遅延的に更新します。 第3に、IsoNet++はノード対パートナーインタラクションという新しい概念を取り入れている。
• 参考スコア（独自算出の注目度）: 30.69925853994344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph retrieval based on subgraph isomorphism has several real-world applications such as scene graph retrieval, molecular fingerprint detection and circuit design. Roy et al. [35] proposed IsoNet, a late interaction model for subgraph matching, which first computes the node and edge embeddings of each graph independently of paired graph and then computes a trainable alignment map. Here, we present IsoNet++, an early interaction graph neural network (GNN), based on several technical innovations. First, we compute embeddings of all nodes by passing messages within and across the two input graphs, guided by an injective alignment between their nodes. Second, we update this alignment in a lazy fashion over multiple rounds. Within each round, we run a layerwise GNN from scratch, based on the current state of the alignment. After the completion of one round of GNN, we use the last-layer embeddings to update the alignments, and proceed to the next round. Third, IsoNet++ incorporates a novel notion of node-pair partner interaction. Traditional early interaction computes attention between a node and its potential partners in the other graph, the attention then controlling messages passed across graphs. In contrast, we consider node pairs (not single nodes) as potential partners. Existence of an edge between the nodes in one graph and non-existence in the other provide vital signals for refining the alignment. Our experiments on several datasets show that the alignments get progressively refined with successive rounds, resulting in significantly better retrieval performance than existing methods. We demonstrate that all three innovations contribute to the enhanced accuracy. Our code and datasets are publicly available at https://github.com/structlearning/isonetpp.
• Abstract（参考訳）: サブグラフ同型に基づくグラフ検索には,シーングラフ検索,分子指紋検出,回路設計など,現実的な応用がいくつかある。 Royら[35]は、サブグラフマッチングのための遅延相互作用モデルであるIsoNetを提案し、まず、ペアグラフとは独立に各グラフのノードとエッジの埋め込みを計算し、次にトレーニング可能なアライメントマップを計算する。 本稿では、いくつかの技術革新に基づいて、早期相互作用グラフニューラルネットワーク(GNN)であるIsoNet++を紹介する。 まず、各ノード間のインジェクティブアライメントによって導かれる2つの入力グラフ内および横断するメッセージを渡すことで、すべてのノードの埋め込みを計算する。 次に、このアライメントを複数のラウンドで遅延的に更新します。 各ラウンドで、アライメントの現在の状態に基づいて、スクラッチから階層的にGNNを実行します。 GNNの1ラウンドの完了後、最終レイヤの埋め込みを使用してアライメントを更新し、次のラウンドに進む。 第3に、IsoNet++はノード対パートナーインタラクションという新しい概念を取り入れている。 従来のアーリーインタラクションは、ノードとその潜在的なパートナー間の他のグラフの注意を計算し、その注意をグラフに渡されるメッセージを制御します。 対照的に、ノードペア(単一ノードではない)を潜在的なパートナーとみなす。 1つのグラフのノード間のエッジの存在と、もう1つのグラフの非存在は、アライメントを洗練するための重要な信号を提供する。 いくつかのデータセットに対する実験により、アライメントは連続するラウンドで徐々に洗練され、既存の手法よりもはるかに優れた検索性能が得られることが示された。 3つのイノベーションがすべて、精度の向上に寄与していることを実証します。 私たちのコードとデータセットはhttps://github.com/structlearning/isonetpp.comで公開されています。

関連論文リスト

• A Simple and Scalable Graph Neural Network for Large Directed Graphs [11.792826520370774]
  入力グラフ内のノード表現とエッジ方向認識の様々な組み合わせについて検討する。 そこで本研究では,A2DUGを簡易かつ包括的に分類する手法を提案する。 我々は、A2DUGが様々なデータセットで安定して動作し、最先端の手法と比較して11.29まで精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-06-14T06:24:58Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• 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)
• Asymmetric Graph Representation Learning [13.195785825237621]
  情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。 有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。 このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:03:18Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• GPS-Net: Graph Property Sensing Network for Scene Graph Generation [91.60326359082408]
  シーングラフ生成(SGG)は、画像内のオブジェクトとそれらのペア関係を検出することを目的としている。 GPS-Netは、エッジ方向情報、ノード間の優先度の差、長期にわたる関係の分布という、SGGの3つの特性を網羅している。 GPS-Netは、VG、OI、VRDの3つの一般的なデータベース上での最先端のパフォーマンスを、さまざまな設定とメトリクスで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-03-29T07:22:31Z)

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。