摘要
近年来，深度图匹配（Deep Graph Matching, GM）方法受到越来越多关注。这类方法将图节点的嵌入表示、节点与边的亲和性学习以及最终的对应关系求解器以端到端的方式进行整合。在深度图匹配任务中，一个核心问题是如何为源图和目标图生成最优的共识节点嵌入，以更好地服务于图匹配任务。此外，如何在可微分的对应关系求解器中有效融入离散的一对一匹配约束，也是深度匹配网络中的一个挑战。针对上述问题，本文提出一种新型的图对抗匹配网络（Graph Adversarial Matching Network, GAMnet）。GAMnet 在统一的端到端网络框架中，同时实现图对抗嵌入与图匹配，旨在自适应地学习分布一致且域不变的嵌入表示，以提升图匹配任务的性能。同时，GAMnet 采用稀疏图匹配优化（Sparse GM Optimization）作为对应关系求解器，该方法具备可微性，并能在最终匹配预测中自然地近似融入离散的一对一匹配约束。在三个公开基准数据集上的实验结果表明，所提出的 GAMnet 在图匹配任务中具有显著的有效性与优越性。