복합적 학습을 통한 강건한 딥 그래프 매칭: 임베딩 기반 접근법

그래프 매칭은 두 그래프 간의 노드 대응 관계를 설정하는 것을 목표로 하며, NP-완전성이라는 본질적인 어려움으로 인해 오랜 기간 핵심적인 문제로 여겨져 왔다. 실용적인 관점에서 고려해야 할 요소는 노이즈 존재 하에서 유사도 함수를 효과적으로 모델링함으로써 수학적으로 최적화된 매칭 결과가 물리적으로도 의미 있는 결과가 되도록 하는 것이다. 본 논문에서는 깊은 신경망을 활용하여 그래프 매칭 과정에서 노드 및 엣지 특징, 그리고 유사도 모델을 종단 간(end-to-end) 방식으로 학습한다. 학습은 노드에 대한 조합적 순열 손실(combinatorial permutation loss)을 통해 감독된다. 구체적으로, 이미지 특징 추출을 위한 합성곱 신경망(Convolutional Neural Networks), 구조적 정보(이차 이상의 정보)를 노드별 특징으로 변환하는 노드 임베딩을 위한 그래프 신경망(Graph Neural Networks), 그리고 두 그래프 간의 유사도 커널을 구성하는 파라미터들이 포함된다. 제안하는 방법은 순열 손실이 노드 수에 무관하며, 노드 간에 임베딩 모델을 공유함으로써 학습 및 추론 시 다양한 노드 수를 처리할 수 있는 유연성을 지닌다. 또한, 본 네트워크는 클래스에 독립적(class-agnostic)이다. 다양한 벤치마크에서의 실험 결과는 본 방법이 최신 기술 수준의 성능을 보임을 보여준다. 이는 카테고리 및 데이터셋 간에 일반화 능력을 지니며, 이상치(outliers)에 대해 강건한 매칭이 가능함을 의미한다.