초록
최근 딥러닝 기반 방법들은 그래프 노드에서 추출한 딥 특징의 표현 능력을 활용하여 그래프 매칭 문제에서 유망한 성과를 보여주고 있다. 그러나 기존의 딥 그래프 매칭(DGM) 방법들에 대한 주요한 한계는 그래프 구조의 명시적 제약을 무시하고 있다는 점이다. 이로 인해 학습 과정에서 모델이 국소 최적해에 갇힐 가능성이 있다. 본 논문에서는 DGM 프레임워크에 통합할 수 있도록 쌍별 그래프 구조를 이차 제약(quadratic constraint)으로 명시적으로 수식화하는 방법을 제안한다. 이 이차 제약은 그래프 간의 쌍별 구조적 차이를 최소화함으로써, 단순히 추출된 CNN 특징만을 사용할 때 발생하는 모호성을 줄일 수 있다.또한, 비제약 딥러닝 최적화기와 호환 가능한 디퍼런셔블(미분 가능) 구현 방식을 제안하여 이차 제약 최적화 문제를 효율적으로 처리한다. 더 정밀하고 적절한 감독을 위해 클래스 불균형에 대응할 수 있도록 설계된 위조 매칭 손실 함수를 제안하며, 이는 과적합을 최소화하면서도 잘못된 음성(false negatives)과 잘못된 양성(false positives)을 더 효과적으로 처벌할 수 있다. 광범위한 실험을 통해 제안된 방법이 실-world 데이터셋에서 경쟁력 있는 성능을 보임을 입증하였다.