채널 독립형 임베딩과 헝가리안 어텐션을 이용한 깊은 그래프 매칭 학습

그래프 매칭은 두 그래프 간의 노드 단위 대응 관계를 설정하는 것을 목표로 하는 전형적인 조합 최적화 문제이며, 일반적으로 NP-완전 문제에 속한다. 최근까지도 깊이 있는 그래프 매칭 방법들은 깊은 신경망을 활용하여 예전에는 상상할 수 없었던 높은 매칭 정확도를 달성하고 있다. 본 논문은 이러한 방향성에 따라 기존 연구에 재사용 가능한 플러그인 형태로 활용할 수 있는 두 가지 보완적인 기여를 한다. 첫째, 어텐션 모델의 멀티헤드 전략을 영감으로 삼아 새로운 노드 및 엣지 임베딩 전략을 제안한다. 이 전략은 각 채널 내 정보를 독립적으로 통합할 수 있도록 하여, 기존 연구에서 노드 임베딩만 고려하는 것과 대비된다. 둘째, 그래프 매칭의 목적 함수에 대해 일반적인 마스킹 메커니즘을 도입하여 목적 함수 학습의 매끄러움을 향상시킨다. 헝가리 알고리즘을 이용해, 가장 기여도가 높은 매칭 쌍들을 하드 어텐션으로 고려하면서 구조적이고 희소하게 연결된 레이어를 동적으로 구성한다. 제안하는 방법은 세 가지 공개 벤치마크에서 뛰어난 성능을 보이며, 기존 최고 수준의 방법들에 플러그인 형태로 적용함으로써 그 정확도를 더욱 향상시킬 수 있다.