[論文レビュー] Learning Graph Matching

Tibério S. Caetano, Julian McAuley+3 more|ArXiv.org|Jun 17, 2008

Graph Theory and Algorithms参考文献 29被引用数 5

ひとこと要約

本論文では、ラベル付き学習データからノードおよびエッジの適合性関数を推定することで、列生成を用いた大マージン構造的推定により、グラフマッチングを学習ベースで改善する手法を提案する。主な貢献は、学習により線形割り当てが、双確率正規化を施した段階的割り当てという最先端手法を上回ることであり、グラフマッチングタスクにおける正確性と効率性が顕著に向上することである。

ABSTRACT

As a fundamental problem in pattern recognition, graph matching has applications in a variety of fields, from computer vision to computational biology. In graph matching, patterns are modeled as graphs and pattern recognition amounts to finding a correspondence between the nodes of different graphs. Many formulations of this problem can be cast in general as a quadratic assignment problem, where a linear term in the objective function encodes node compatibility and a quadratic term encodes edge compatibility. The main research focus in this theme is about designing efficient algorithms for approximately solving the quadratic assignment problem, since it is NP-hard. In this paper we turn our attention to a different question: how to estimate compatibility functions such that the solution of the resulting graph matching problem best matches the expected solution that a human would manually provide. We present a method for learning graph matching: the training examples are pairs of graphs and the `labels' are matches between them. Our experimental results reveal that learning can substantially improve the performance of standard graph matching algorithms. In particular, we find that simple linear assignment with such a learning scheme outperforms Graduated Assignment with bistochastic normalisation, a state-of-the-art quadratic assignment relaxation algorithm.

研究の動機と目的

• 文脈に応じて異なるグラフペアを同一に扱う標準的なグラフマッチングの限界を克服するため、学習を用いて文脈知識を統合すること。
• 人間が提供した正解マッチングと整合するように、ノードおよびエッジの適合性関数を学習すること。
• 手作業で設計された適合性関数に依存するのではなく、ラベル付きデータで訓練することで、既存のグラフマッチングアルゴリズムの性能を向上させること。
• 線形割り当てのような単純なアルゴリズムが、双確率正規化を施した段階的割り当てのような複雑な最先端手法と競合可能であることを示すこと。

提案手法

• グラフマッチングを、学習可能な線形（ノード）および二次的（エッジ）適合性項を有する二次割り当て問題として定式化する。
• 構造的損失を最小化することで、正解から逸脱するマッチングをペナルティ化する大マージン構造的予測を用いて適合性関数を訓練する。
• 指数的多数の制約を含む大規模な凸最適化問題を効率的に解くために、列生成手順を採用する。
• 損失関数は $ \Delta(G,G',\pi) = 1 - \frac{1}{|\pi|} \sum_i \left[ \frac{d(G_i, G'_{\pi(i)})}{\sigma} \right] $ として定義され、正しいマッチングから離れたマッチングをペナルティ化する。
• 線形割り当ておよび段階的割り当ての両方のフレームワークに本手法を適用し、性能向上を実現するエンドツーエンドの学習を可能にする。
• 訓練データは、対応する人間によるアノテーション付きマッチングを有するグラフペアから構成され、最適な適合性関数の推定に用いられる。

実験結果

リサーチクエスチョン

• RQ1 ラベル付きデータから適合性関数を学習することで、手作業で設計された関数を上回るグラフマッチングの性能向上が可能か？
• RQ2 学習により、線形割り当てのような単純なアルゴリズムが、双確率正規化を施した段階的割り当てのようなより複雑な最先端手法を凌駆できるか？
• RQ3 学習ベースのグラフマッチングの性能は、異なるデータセットおよび実世界の条件下でどのように変化するか？
• RQ4 学習を既存のグラフマッチングアルゴリズムに効果的に統合することで、正確性と速度の両方を向上させられるか？

主な発見

• 学習された適合性関数を用いた線形割り当ては、双確率正規化を施した段階的割り当てという最先端手法を、正確性と速度の両面で上回った。
• 「bikes」データセットでは、学習のテスト損失が0.101から0.062に低下し、非学習ベースラインに対する顕著な改善を示した。
• 「house」データセットでは、動きやノイズの影響で性能が非単調であっても、学習が非学習ベースラインを常に上回った。
• システムで学習された重みベクトルは、特定の角度のビンに著しくピークを示しており、モデルが特定の構造的配置を優先して学習していることを示した。
• 段階的割り当てフレームワークに学習を導入することで、性能がさらに向上し、既存の二次割り当て緩和法よりも高い正確性とより速い収束速度を達成した。
• 結果から、適合性関数の学習により、線形割り当てが複雑な緩和ベース手法と競合可能な代替手段となり得ることが示唆された。