[論文レビュー] Graph Edit Distance Computation via Graph Neural Networks.

Yunsheng Bai, Hao Ding+4 more|arXiv (Cornell University)|Aug 16, 2018

Advanced Graph Neural Networks被引用数 13

ひとこと要約

本稿では、効率的かつ正確なグラフ編集距離（GED）の計算を実現するためのグラフニューラルネットワークベースの手法SimGNNを提案する。学習可能なグラフレベルの埋め込みとペアワイズノード比較メカニズムを組み合わせることで、ベースラインと比較して顕著な時間短縮を達成しつつ、実世界のデータセットにおいても低誤差率を維持する優れた一般化性能を実現した。

ABSTRACT

Graph similarity search is among the most important graph-based applications, e.g. finding the chemical compounds that are most similar to a query compound. Graph similarity computation, such as Graph Edit Distance (GED) and Maximum Common Subgraph (MCS), is the core operation of graph similarity search and many other applications, but very costly to compute in practice. Inspired by the recent success of neural network approaches to several graph applications, such as node or graph classification, we propose a novel neural network based approach to address this classic yet challenging graph problem, aiming to alleviate the computational burden while preserving a good performance. The proposed approach, called SimGNN, combines two strategies. First, we design a learnable embedding function that maps every graph into a vector, which provides a global summary of a graph. A novel attention mechanism is proposed to emphasize the important nodes with respect to a specific similarity metric. Second, we design a pairwise node comparison method to supplement the graph-level embeddings with fine-grained node-level information. Our model achieves better generalization on unseen graphs, and in the worst case runs in quadratic time with respect to the number of nodes in two graphs. Taking GED computation as an example, experimental results on three real graph datasets demonstrate the effectiveness and efficiency of our approach. Specifically, our model achieves smaller error rate and great time reduction compared against a series of baselines, including several approximation algorithms on GED computation, and many existing graph neural network based models. To the best of our knowledge, we are among the first to adopt neural networks to explicitly model the similarity between two graphs, and provide a new direction for future research on graph similarity computation and graph similarity search.

研究の動機と目的

• グラフ類似度検索応用における正確なグラフ編集距離（GED）計算の高い計算コストを低減すること。
• 既存のニューラルネットワークベースの手法と比較して、未観測のグラフに対する一般化性能を向上させること。
• グローバルなグラフ埋め込みと細粒度のノードレベル比較を組み合わせることで、計算時間の複雑性を低減しつつ、精度を維持すること。
• 既存のGNN応用におけるギャップを埋めるために、ペアワイズグラフ類似度を明示的にモデル化することを目的とした新しいニューラルネットワークフレームワークを提供すること。

提案手法

• 各グラフをグローバル構造的性質を捉えるベクトル表現にマップする学習可能な埋め込み関数を設計する。
• 類似度指標に最も関連するノードを強調するための新しいアテンションメカニズムを導入し、埋め込み品質を向上させる。
• グラフレベルの埋め込みに細粒度のノードレベル対応情報の補完を提供するためのペアワイズノード比較メカニズムを開発する。
• 微分可能損失関数を用いて、GED値を予測するためのエンドツーエンドの学習を実施し、効果的な最適化を可能にする。
• グラフレベルとノードレベルの特徴の組み合わせを用いることで、モデルの表現力と一般化性能を向上させる。
• ノード数に関して2次時間計算量を達成し、中規模のグラフに対してスケーラブルである。

実験結果

リサーチクエスチョン

• RQ1 高精度かつ低計算コストで、神経ネットワークを効果的に訓練してグラフ編集距離を予測できるか？
• RQ2 提案手法は、既存の近似アルゴリズムおよびGNNベースラインと比較して、未観測のグラフに対してどの程度一般化性能を示すか？
• RQ3 グラフレベルとノードレベルの両方の情報を組み合わせることで、類似度予測性能がどの程度向上するか？
• RQ4 正確なGED計算と比較して、顕著な高速化を達成できるか、かつ低誤差率を維持できるか？

主な発見

• SimGNNは、3つの実際のグラフデータセットにおいて、複数の近似アルゴリズムおよび既存のGNNベースのモデルと比較して、より小さい誤差率を達成した。
• 未観測のグラフにおいても、強い一般化性能を示しており、分布シフトに対して頑健であることが示された。
• 正確なGED計算と比較して、実行時間が顕著に短縮された。最悪ケースの計算量はノード数に関して2次である。
• アテンションメカニズムは、重要なノードを効果的に特定し、類似度タスクにおけるグラフ埋め込みの品質を向上させた。
• グラフレベルとペアワイズノードレベルの特徴の組み合わせは、単独で使用する場合よりも優れた性能を達成した。
• 著者らの知る限り、SimGNNは神経ネットワークを用いてペアワイズグラフ類似度を明示的にモデル化した最初のモデルの一つである。