[論文レビュー] A Weighted Common Subgraph Matching Algorithm

Xu Yang, Hong Qiao+1 more|arXiv (Cornell University)|Nov 4, 2014

Graph Theory and Algorithms参考文献 21被引用数 4

ひとこと要約

本稿では、2つのラベル付き重み付きグラフにおける指定されたサイズの最も類似した部分グラフを直接最適化する、新しい重み付き共通部分グラフ（WCS）マッチングアルゴリズムを提案する。問題は部分置換行列上の組合せ最適化として定式化され、Graduated NonConvexity and Concavity Procedure（GNCCP）を用いて解かれる。本手法は、ノイズ、外れ値、エッジ密度の変動にかかわらず頑健な性能を発揮し、PGM や SM などの最先端手法を上回るか同等の性能を示しながら、計算効率を維持する。

ABSTRACT

We propose a weighted common subgraph (WCS) matching algorithm to find the most similar subgraphs in two labeled weighted graphs. WCS matching, as a natural generalization of the equal-sized graph matching or subgraph matching, finds wide applications in many computer vision and machine learning tasks. In this paper, the WCS matching is first formulated as a combinatorial optimization problem over the set of partial permutation matrices. Then it is approximately solved by a recently proposed combinatorial optimization framework - Graduated NonConvexity and Concavity Procedure (GNCCP). Experimental comparisons on both synthetic graphs and real world images validate its robustness against noise level, problem size, outlier number, and edge density.

研究の動機と目的

• 頂点マッチングと部分グラフ選択を分離する二段階の部分グラフマッチング手法の限界を解消すること。
• 重み付き共通部分グラフ（WCS）マッチングを、有効な部分グラフ対応を表す部分置換行列上の直接的な組合せ最適化問題として定式化すること。
• 部分グラフ選択とマッチングを統合した最適化プロセスを実現するGNCCPに基づく最適化フレームワークを開発すること。
• 従来の手法と比較して、ノイズ、外れ値、および変動するグラフ密度に対する頑健性を向上させること。
• ラベル付き重み付きグラフにおいて、事前に指定されたサイズの部分グラフを効率的かつ正確にマッチングできること。

提案手法

• WCSマッチング問題は、有効な部分グラフ対応を表す部分置換行列の集合上の組合せ最適化として定式化される。
• 非凸最適化問題をGNCCPフレームワーク内で取り扱えるようにするため、目的関数を2つの形（H₁(X) と H₂(X)）に緩和する。
• GNCCPアルゴリズムは、一連の凸部分問題を繰り返し解くことで解を段階的に改善し、局所最適解に近づけていく。
• 近似品質と収束特性の向上を目的として、2つの緩和手法（RLX1 と RLX2）を導入する。
• 各Frank-Wolfe反復内で二段階スキームを近似することで、計算コストを低減する高速版（RLX1F / RLX2F）を提案する。
• 本手法は、SIFT特徴量を頂点ラベルとして用い、Delaunay三角形分割を用いてグラフ構築することで、合成グラフおよび実世界の画像に適用される。

実験結果

リサーチクエスチョン

• RQ1 統合的最適化フレームワークは、従来の二段階部分グラフマッチング手法に比べ、精度と頑健性の面で優れているか？
• RQ2 提案されたGNCCPベースの手法は、ノイズレベル、外れ値数、エッジ密度の変動にかかわらず、どのように性能を発揮するか？
• RQ3 部分グラフサイズの直接最適化は、間接的なランク付けベースの手法に比べ、より優れた結果をもたらすか？
• RQ4 提案手法は、合成データおよび実世界データにおいて、PGM や SM などの最先端アルゴリズムと比較して、どのように性能を発揮するか？
• RQ5 高速版アルゴリズムは、計算コストを大幅に削減しながらも、競争力ある精度を維持できるか？

主な発見

• 提案されたRLX1およびRLX2アルゴリズムは、すべてのテスト設定において最先端のPGMアルゴリズムと同等または優れた性能を発揮する。
• RLX1はRLX2を上回る性能を示しており、H₁(X) が H₀(X) の目的関数を H₂(X) よりもより良い近似として提供していることが示唆される。
• 高速版（RLX1F および RLX2F）は、元のバージョンと同等に高い性能を達成しながら、計算複雑度を低減しており、時間計算量のレートは3.5±0.5の範囲で推移する。
• 非常に高いエッジ密度（>0.5）では性能が低下する傾向が見られ、過剰なエッジによるグラフの特徴の消失が原因とされる。
• ノイズおよび外れ値に対して頑健であり、問題サイズやエッジ密度の変動に関係なく一貫した性能を示す。
• WCSマッチング問題はPIW問題よりも困難であることが確認され、すべてのアルゴリズムがWCSではPIWよりも低い性能を示しており、サイズ制約付き部分グラフマッチングの難易度を裏付けている。