Kombinatorische Lernmethode für robuste tiefe Graphenübereinstimmung: ein ansatzbasiertes Verfahren auf der Grundlage von Einbettungen.

Das Graph-Matching-Ziel besteht darin, eine Knotenentsprechung zwischen zwei Graphen herzustellen, was aufgrund seiner NP-vollständigen Natur ein grundlegendes Problem darstellt. Ein praktischer Aspekt liegt in der effektiven Modellierung der Affinitätsfunktion unter Rauscheinfluss, sodass das mathematisch optimale Übereinstimmungsergebnis auch physikalisch sinnvoll ist. In diesem Artikel wird ein tiefes neuronales Netzwerk eingesetzt, um Knoten- und Kantenmerkmale sowie das Affinitätsmodell für das Graph-Matching in einer end-to-end-Weise zu lernen. Der Lernprozess wird durch eine kombinatorische Permutationsverlustfunktion über die Knoten supervidiert. Konkret umfassen die zu lernenden Parameter convolutionale neuronale Netze zur Bildmerkmalsextraktion, Graphen-neuronale Netze zur Knoten-Embedding, die strukturelle Informationen (über zweite Ordnung hinaus) in knotenweise Merkmale umwandeln und somit ein lineares Zuweisungsproblem erzeugen, sowie den Affinitätskern zwischen zwei Graphen. Unser Ansatz zeichnet sich durch Flexibilität aus, da die Permutationsverlustfunktion unabhängig von der Anzahl der Knoten ist und das Embedding-Modell zwischen den Knoten geteilt wird, sodass das Netzwerk sowohl während des Trainings als auch während der Inferenz mit variabler Knotenzahl umgehen kann. Darüber hinaus ist unser Netzwerk klassenunabhängig. Experimentelle Ergebnisse auf umfangreichen Benchmarks belegen seine state-of-the-art-Leistung. Es zeigt eine gewisse Generalisierungsfähigkeit über Kategorien und Datensätze hinweg und ist robust gegenüber Ausreißern.