要約
グラフマッチング（GM）問題に対する従来の深層学習手法は、主に前向きパイプラインにおいて類似度学習を組み合わせ最適化を支援するものであり、パラメータ学習はマッチング損失の勾配を逆伝播することで実行される。このようなパイプラインでは、最適化層が学習部に与える可能性のある補完的利点にほとんど注目していない。本論文では、深層双向学習フレームワークの下でこの制約を克服する。提案手法は、GM最適化層の出力をフィードバックし、類似度学習の入力と融合する。この直接的なフィードバックにより、特徴の豊富化と融合技術が実現され、現在のマッチング推定によって置換された類似度の偏差から得られるグローバルなマッチングパターンを活用・統合する。その結果、フィードバック循環により、学習部が最適化プロセスの恩恵を受けることができ、局所的なノード近傍による伝播によって計算された埋め込み結果とグローバルな特徴の両方を活用できる。さらに、循環の一貫性から導かれる非教師あり損失を、教師あり損失と個別または併用して正則化に利用可能である。困難なデータセットにおける実験により、本手法が教師あり学習および非教師あり学習の両面で有効であることが示された。