Lernen tiefer Graphenübereinstimmung mit kanalunabhängigen Embeddings und Hungarian Attention

Das Graph-Matching zielt darauf ab, eine knotenweise Entsprechung zwischen zwei Graphen herzustellen, ein klassisches kombinatorisches Problem, das im Allgemeinen NP-vollständig ist. Bis vor Kurzem basierten tiefere Graph-Matching-Methoden hauptsächlich auf tiefen neuronalen Netzen, um eine bisher unerreichte Genauigkeit bei der Zuordnung zu erzielen. In dieser Arbeit leisten wir zwei ergänzende Beiträge, die sich zudem als Plug-in in bestehende Ansätze wiederverwenden lassen: i) Eine neuartige Strategie zur Knoten- und Kanten-Embedding, die die Multi-Head-Strategie in Aufmerksamkeitsmodellen nachahmt und es ermöglicht, die Informationen in jeder Kanalrichtung unabhängig zu fusionieren. Im Gegensatz dazu berücksichtigten frühere Arbeiten lediglich Knoten-Embeddings; ii) Eine allgemeine Maskierungsmechanik über der Verlustfunktion, die die Glätte des Lernprozesses für das Graph-Matching verbessert. Unter Verwendung des Hungarian-Algorithmus konstruiert unsere Methode dynamisch eine strukturierte, spärlich verbundene Schicht, wobei diejenigen Knotenpaare als „hard attention“ berücksichtigt werden, die den größten Beitrag zum Matching leisten. Unser Ansatz erzielt wettbewerbsfähige Ergebnisse und kann zudem bestehende state-of-the-art-Methoden als Plug-in verbessern, was sich in einer erhöhten Zuordnungsgenauigkeit an drei öffentlichen Benchmarks zeigt.