摘要
图匹配旨在建立给定图之间节点集合的对应关系，同时保持其边集合的一致性。然而，在实际应用场景中，异常值（outliers）的存在以及深度学习方法中边表示的等价学习问题仍然是主要挑战。为应对这些难题，本文提出了一种边缘注意力自适应图匹配（Edge Attention-adaptive Graph Matching, EAGM）网络，以及一种新型的边特征描述方法。EAGM将两图之间的匹配关系转化为在其分配图（assignment graph）上的节点与边分类问题。为了充分挖掘边的潜在信息，EAGM在分配图上学习边注意力机制，以实现两个目标：一是揭示每条边对图匹配过程的影响，二是自适应地调整边表示的学习过程。为缓解异常值带来的负面影响，本文通过聚合边所张成空间内的语义信息来描述边。这种丰富的特征表达能够清晰地区分不同类型的边（例如，内点-内点边与内点-异常边），从而从关联边的角度有效识别出异常节点。大量实验表明，无论在存在还是不存在异常值的情况下，EAGM均在匹配质量上显著优于现有最先进方法。本文的源代码及实验结果已公开，可访问 https://github.com/bestwei/EAGM 获取。