通过不同的注意力机制学习图编辑距离
摘要：利用图神经网络(GNN)解决图相似度计算问题(GSC)的研究日益增多，即计算两个图之间的图编辑距离(GED)。这些方法将GSC视为可端到端学习的任务，其核心架构是特征融合模块，用于与两个图的特征进行交互。现有方法认为，难以捕捉两个图之间局部小结构的差异，因此在节点级嵌入上进行精细化特征融合可以提高准确性，但在训练和推理阶段会导致更大的时间和内存消耗。然而，本文提出了一种新的图级融合模块Different Attention(DiffAtt)，并证明了图级融合嵌入能够显著优于复杂的节点级融合嵌入。我们认为两个图的相对差异结构在计算其GED值时起着重要作用。为此，DiffAtt使用两个图级嵌入之间的差异作为注意机制，以捕捉两个图的图结构差异。基于DiffAtt，提出了一种名为Graph Edit Distance Learning via Different Attention (REDRAFT)的新GSC方法，并实验证明REDRAFT在五个基准数据集的25个度量中有23个达到了最先进的性能水平。特别是在MSE方面，分别比第二名分别高出19.9\%、48.8\%、29.1\%、31.6\%和2.2\%。此外，我们提出了一种定量测试方法Remaining Subgraph Alignment Test (RESAT)，以验证在所有图级融合模块中，由DiffAtt生成的融合嵌入能够最好地捕捉两个图之间的结构差异。
作者：Jiaxi Lv, Liang Zhang, Yi Huang, Jiancheng Huang, Shifeng Chen
论文ID：2308.13871
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-29