Deep Graph Matching Consensus

Diese Arbeit präsentiert eine zweistufige neuronale Architektur zum Lernen und Verfeinern struktureller Korrespondenzen zwischen Graphen. Zunächst nutzen wir lokalisierte Knoten-Embeddings, die durch ein Graphen-Neuronales Netzwerk berechnet werden, um eine anfängliche Rangfolge weicher Korrespondenzen zwischen Knoten zu ermitteln. Im zweiten Schritt setzen wir synchronisierte Nachrichtenübertragungsnetzwerke ein, um die weichen Korrespondenzen iterativ neu zu bewerten, um innerhalb lokaler Nachbarschaften zwischen Graphen eine Übereinstimmung (Consensus) zu erreichen. Theoretisch und empirisch zeigen wir, dass unser Nachrichtenübertragungsverfahren eine gut begründete Maßzahl für die Übereinstimmung entsprechender Nachbarschaften berechnet, die anschließend zur Steuerung des iterativen Neurankens genutzt wird. Unsere rein lokale und sparsitätsbewusste Architektur skaliert gut auf große, realweltbasierte Eingaben und ist dennoch in der Lage, konsistent globale Korrespondenzen zu erfassen. Wir demonstrieren die praktische Wirksamkeit unserer Methode an realen Anwendungen aus den Bereichen Computer Vision und Entitätenausrichtung zwischen Wissensgraphen, wo wir die derzeitige State-of-the-Art-Performance übertreffen. Der Quellcode ist unter https://github.com/rusty1s/deep-graph-matching-consensus verfügbar.