초록
기존의 그래프 매칭(GM) 문제에 대한 딥러닝 방법들은 일반적으로 순방향 파이프라인에서 조합 최적화를 지원하기 위해 유사도 학습(affinity learning)을 고려하며, 파라미터 학습은 매칭 손실의 기울기를 역전파하여 수행한다. 이러한 파이프라인은 최적화 레이어가 학습 구성 요소에 미칠 수 있는 보완적 이점에 대해 거의 주목하지 않는다. 본 논문에서는 깊이 있는 양방향 학습 프레임워크 하에서 위의 한계를 극복한다. 제안하는 방법은 GM 최적화 레이어의 출력을 다시 입력과 융합하여 유사도 학습에 활용하는 순환 구조를 도입한다. 이러한 직접적인 피드백은 특징 강화 및 융합 기법을 통해 입력을 풍부하게 하며, 현재의 매칭 추정에 의해 유사도가 순열된 결과의 편차로부터 전역적인 매칭 패턴을 탐색하고 통합한다. 그 결과, 순환 구조는 학습 구성 요소가 최적화 과정으로부터 이점을 얻을 수 있도록 하며, 국소적인 노드-이웃 전파를 통해 계산된 임베딩 결과와 전역적 특징을 모두 활용할 수 있게 한다. 더불어 순환 일관성은 독립적으로 또는 함께 적용할 수 있는 비지도 손실을 유도할 수 있으며, 이는 지도 학습 손실을 정규화하는 데 활용된다. 도전적인 데이터셋에서의 실험 결과는 본 방법이 지도 학습 및 비지도 학습 모두에서 효과적임을 입증한다.