딥 그래프 매칭 컨센서스

본 연구는 그래프 간의 구조적 대응 관계를 학습하고 개선하기 위한 이단계 신경망 아키텍처를 제안한다. 먼저, 그래프 신경망(GNN)을 통해 계산된 국소적 노드 임베딩을 활용하여 노드 간의 초기 소프트 대응 순위를 도출한다. 이후, 동기식 메시지 전달 네트워크를 사용하여 소프트 대응 관계를 반복적으로 재순위 지정함으로써 그래프 간 국소적 이웃 영역에서 일치하는 일관성(consensus)을 도달한다. 이론적 및 실험적으로 제안하는 메시지 전달 방식이 대응되는 이웃 영역에 대해 타당한 일관성 측정 기준을 제공함을 입증하였으며, 이를 반복적인 재순위 지정 과정을 안내하는 데 활용한다. 본 연구의 순수하게 국소적이고 희소성에 민감한 아키텍처는 대규모 실세계 입력에 대해 우수한 확장성을 가지면서도 일관된 전역적 대응 관계를 복원할 수 있다. 컴퓨터 비전 및 지식 그래프 간 엔티티 정합성과 같은 실세계 작업들에 대한 실험을 통해 제안 방법의 실용적 효과를 입증하였으며, 기존 최고 성능 기법들을 초월하는 성능을 달성하였다. 본 연구의 소스 코드는 https://github.com/rusty1s/deep-graph-matching-consensus 에서 공개되어 있다.