부분 다중그래프 매칭을 위한 유니버스 포인트 표현 학습

자연 세계의 많은 도전 과제는 그래프 매칭 문제로 공식화할 수 있다. 기존의 딥러닝 기반 방법들은 주로 전체 두 그래프 간의 매칭 설정에 초점을 맞추어 왔다. 본 연구에서는 다중 그래프 사이클 일관성 보장 조건 하에 더 일반적인 부분 매칭 문제를 다룬다. 최근 그래프 기반 딥러닝의 발전을 기반으로, 본 연구는 새로운 데이터 기반 방법(URL)을 제안한다. 이 방법은 개체-우주( object-to-universe ) 구조를 사용하며, 추상적인 우주 점들에 대한 잠재 표현을 학습한다. 제안된 접근법은 Pascal VOC, CUB, Willow 데이터셋에서 평가된 의미적 키포인트 매칭 문제에서 기존의 최고 성능을 개선한다. 더불어, 합성 그래프 매칭 데이터셋을 활용한 통제 실험을 통해 본 방법이 노드 수가 많은 그래프에 대해 확장 가능하며, 높은 부분성에 대해서도 강건함을 입증한다.