摘要
现有的图匹配（Graph Matching, GM）深度学习方法通常采用前馈流水线，通过亲和力学习辅助组合优化，并通过反向传播匹配损失的梯度来执行参数学习。然而，此类方法对优化层与学习组件之间可能存在的互补收益关注甚少。本文在深度双向学习框架下克服了上述局限性。我们的方法将图匹配优化层的输出循环反馈，与输入特征融合以用于亲和力学习。这种直接的反馈机制通过特征增强与融合技术，利用当前匹配估计所导致的相似性置换偏差中蕴含的全局匹配模式，从而提升输入特征的质量。由此，循环机制使学习组件能够从优化过程获益，兼顾由局部节点邻域传播计算得到的嵌入结果以及全局特征信息。此外，循环一致性自然诱导出一种无监督损失，该损失可独立使用或与监督损失联合优化，以对模型进行正则化。在多个具有挑战性的数据集上的实验表明，所提方法在监督学习与无监督学习任务中均表现出显著的有效性。