[論文レビュー] Hierarchical Graph Matching Networks for Deep Graph Similarity Learning.

Xiang Ling, Lingfei Wu+6 more|arXiv (Cornell University)|Sep 25, 2019

Advanced Graph Neural Networks参考文献 37被引用数 8

ひとこと要約

本稿では、ノードと全体のグラフ間のクロスレベル相互作用およびシアンズ型アーキテクチャを介したグローバルなグラフ対グラフ相互作用をモデル化することで、グラフ表現と類似度メトリクスを同時に学習する、階層的グラフマッチングネットワーク（HGMN）という新しい深層学習フレームワークを提案する。HGMNは、先行手法よりも効果的に階層的な構造的関係を捉えることで、グラフ分類および回帰タスクの両方で最先端の性能を達成する。

ABSTRACT

While the celebrated graph neural networks yield effective representations for individual nodes of a graph, there has been relatively less success in extending to deep graph similarity learning. Recent work has considered either global-level graph-graph interactions or low-level node-node interactions, ignoring the rich cross-level interactions (e.g., between nodes and a whole graph). In this paper, we propose a Hierarchical Graph Matching Network (HGMN) for computing the graph similarity between any pair of graph-structured objects. Our model jointly learns graph representations and a graph matching metric function for computing graph similarities in an end-to-end fashion. The proposed HGMN model consists of a node-graph matching network for effectively learning cross-level interactions between nodes of a graph and a whole graph, and a siamese graph neural network for learning global-level interactions between two graphs. Our comprehensive experiments demonstrate that HGMN consistently outperforms state-of-the-art graph matching network baselines for both classification and regression tasks.

研究の動機と目的

• 既存のグラフニューラルネットワークが、グラフ類似度学習の文脈でノードと全体のグラフ間のクロスレベル相互作用を十分に捉えていないという制限を解決すること。
• グラフ表現と類似度メトリクスを同時に学習するエンドツーエンドでトレーニング可能なフレームワークを開発すること。
• ノード-グラフおよびグラフ-グラフの両方の相互作用を同時にモデル化することで、グラフ類似度計算を向上させること。
• 標準的なグラフ類似度学習ベンチマークにおいて、既存のグラフマッチングベースラインを上回ること。

提案手法

• HGMNは、2つの入力グラフ間のグローバルレベルの相互作用を学習するために、シアンズ型グラフニューラルネットワークを採用する。
• 個々のノードと全体のグラフ構造の間のクロスレベル相互作用を明示的にモデル化するため、ノード-グラフマッチングネットワークを導入する。
• 階層的アテンションメカニズムを用いて、ノードレベルとグローバルレベルの表現を統合し、特徴のアライメントを向上させる。
• 類似度メトリクスの最適化を図るため、コントラスト損失を用いてエンドツーエンドで全アーキテクチャをトレーニングする。
• バックプロパゲーションにより、シアンズ型GNNおよびノード-グラフマッチングモジュールの両方を介して、グラフ表現を更新する。
• 微分可能な類似度関数を学習することにより、分類および回帰タスクの両方をサポートする。

実験結果

リサーチクエスチョン

• RQ1 ノードと全体のグラフ間のクロスレベル相互作用をモデル化することで、グラフ類似度学習が向上するか？
• RQ2 グラフ表現と類似度メトリクスの共同学習は、分離学習と比較して性能にどのように影響するか？
• RQ3 階層的相互作用の組み込みが、グラフ分類および回帰タスクにおける一般化性能を向上させるか？
• RQ4 HGMNは、既存のグラフマッチングネットワークと比較して、正確性およびロバスト性の面で優れているか？

主な発見

• HGMNは、複数のグラフ類似度学習ベンチマークで最先端の性能を達成し、分類および回帰タスクの両方で既存のベースラインを上回る。
• モデルは、多様なグラフデータセットにわたり一貫した向上を示しており、強力な一般化能力を示している。
• アブレーションスタディの結果、クロスレベルのノード-グラフ相互作用が性能向上に顕著に寄与していることが確認された。
• エンドツーエンドのトレーニング方式により、分離型アプローチに比べてより効果的な特徴学習と類似度メトリクス最適化が可能である。
• シアンズ型GNN部は、グラフ間のグローバル構造的類似性を効果的に捉えている。
• ノード-グラフマッチングネットワークは、局所的およびグローバルな構造的手がかりを統合することで、表現品質を向上させている。