論文の概要: GED-Consistent Disentanglement of Aligned and Unaligned Substructures for Graph Similarity Learning

• arxiv url: http://arxiv.org/abs/2511.19837v1
• Date: Tue, 25 Nov 2025 02:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.231995
• Title: GED-Consistent Disentanglement of Aligned and Unaligned Substructures for Graph Similarity Learning
• Title（参考訳）: GED-Consistent Disentanglement of Aligned and Unaligned Substructures for Graph similarity Learning (特集:情報ネットワーク)
• Authors: Zhentao Zhan, Xiaoliang Xu, Jingjing Wang, Junmei Wang,
• Abstract要約: 本稿では,GED-Consistent graph similarity learning frameworkであるGCGSimを提案する。 4つのベンチマークデータセットを用いた実験により,GCGSimが最先端の性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 8.811956084670328
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph Similarity Computation (GSC) is a fundamental graph related task where Graph Edit Distance (GED) serves as a prevalent metric. GED is determined by an optimal alignment between a pair of graphs that partitions each into aligned (zero-cost) and unaligned (cost-incurring) substructures. Due to NP-hard nature of exact GED computation, GED approximations based on Graph Neural Network(GNN) have emerged. Existing GNN-based GED approaches typically learn node embeddings for each graph and then aggregate pairwise node similarities to estimate the final similarity. Despite their effectiveness, we identify a mismatch between this prevalent node-centric matching paradigm and the core principles of GED. This discrepancy leads to two critical limitations: (1) a failure to capture the global structural correspondence for optimal alignment, and (2) a misattribution of edit costs driven by spurious node level signals. To address these limitations, we propose GCGSim, a GED-consistent graph similarity learning framework centering on graph-level matching and substructure-level edit costs. Specifically, we make three core technical contributions. Extensive experiments on four benchmark datasets show that GCGSim achieves state-of-the-art performance. Our comprehensive analyses further validate that the framework effectively learns disentangled and semantically meaningful substructure representations.
• Abstract（参考訳）: Graph similarity Computation (GSC) はグラフ編集距離(GED)が代表的な指標となる基本的なグラフ関連タスクである。 GEDは、各グラフをアライメント(ゼロコスト)とアンアライメント(コスト発生)のサブ構造に分割するグラフのペアの最適アライメントによって決定される。 NPハードな正確なGED計算の性質のため、グラフニューラルネットワーク(GNN)に基づくGED近似が出現している。 既存のGNNベースのGEDアプローチは、通常、各グラフのノード埋め込みを学習し、ペアのノード類似性を集約して最終的な類似性を推定する。 その効果にもかかわらず、我々はこのノード中心マッチングパラダイムとGEDの中核原理のミスマッチを同定する。 この不一致は,(1) 最適アライメントのためのグローバルな構造対応の達成に失敗したこと,(2) 突発的なノードレベル信号によって引き起こされる編集コストの誤寄与,の2つの重要な限界をもたらす。 これらの制約に対処するため,GED-Consistent graph similarity learning frameworkであるGCGSimを提案する。 特に、技術的な貢献は3つあります。 4つのベンチマークデータセットに対する大規模な実験は、GCGSimが最先端のパフォーマンスを達成することを示している。 包括的分析により,このフレームワークは,非絡み合いや意味的に意味のある部分構造表現を効果的に学習できることが検証された。

関連論文リスト

• Graph2Region: Efficient Graph Similarity Learning with Structure and Scale Restoration [23.884990933878726]
  グラフ類似性はグラフ検索などのグラフ関連タスクにおいて重要であり、最大共通部分グラフ(MCS)やグラフ編集距離(GED)などのメトリクスが一般的に使用される。 最近のニューラルネットワークに基づくアプローチは、計算負担を軽減するために埋め込み空間における類似度スコアを近似している。 グラフ2Region (G2R) と呼ばれる新しい幾何学的グラフ埋め込み法を提案する。
  論文  参考訳（メタデータ） (2025-10-01T01:10:18Z)
• Towards Unsupervised Training of Matching-based Graph Edit Distance Solver via Preference-aware GAN [20.871710686180357]
  グラフ編集距離 (Graph Edit Distance, GED) は、様々なアプリケーションで広く使われている基本的なグラフ類似度尺度である。 最近の最先端ハイブリッドGEDソルバは有望な性能を示した。 GED計算のための新しい教師なしGANベースのフレームワークであるGEDRankerを提案する。
  論文  参考訳（メタデータ） (2025-05-16T03:45:31Z)
• Graph Similarity Computation via Interpretable Neural Node Alignment [19.34487413883093]
  GED(Graph Edit Distance)とMCS(Maximum Common Subgraphs)は、グラフの類似性を評価するために一般的に使用されるメトリクスである。 ディープラーニングモデルはよく知られたブラックボックス'であるため、典型的な1対1のノード/サブグラフアライメントプロセスは見ることができない。 我々は,ノードアライメント基底真理情報に頼ることなく,新しい解釈可能なニューラルノードアライメントモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-13T10:23:27Z)
• MATA*: Combining Learnable Node Matching with A* Algorithm for Approximate Graph Edit Distance Computation [12.437507185260577]
  正確なグラフ編集距離(GED)計算はNP完全であることが知られている。 グラフニューラルネットワーク(GNN)とA*アルゴリズムに基づく近似GED計算のためのデータ駆動型ハイブリッドアプローチMATA*を提案する。
  論文  参考訳（メタデータ） (2023-11-04T09:33:08Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)

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。