[論文レビュー] Partial Gromov-Wasserstein Learning for Partial Graph Matching.

Weijie Liu, Chao Zhang+4 more|arXiv (Cornell University)|Dec 2, 2020

Advanced Graph Neural Networks参考文献 50被引用数 4

ひとこと要約

本稿では、部分的に重複する2つのグラフ間のノードをマッチングするための部分的Gromov-Wasserstein学習フレームワークを提案する。部分的Gromov-Wasserstein距離と部分的Wasserstein距離を組み合わせ、輸送マップとノード埋め込みを同時に最適化する。この手法は、合成および実世界のグラフ（包括的グラフを含む）においてF1スコアを最低20%向上させる。

ABSTRACT

Graph matching finds the correspondence of nodes across two graphs and is a basic task in graph-based machine learning. Numerous existing methods match every node in one graph to one node in the other graph whereas two graphs usually overlap partially in many ealworld{} applications. In this paper, a partial Gromov-Wasserstein learning framework is proposed for partially matching two graphs, which fuses the partial Gromov-Wasserstein distance and the partial Wasserstein distance as the objective and updates the partial transport map and the node embedding in an alternating fashion. The proposed framework transports a fraction of the probability mass and matches node pairs with high relative similarities across the two graphs. Incorporating an embedding learning method, heterogeneous graphs can also be matched. Numerical experiments on both synthetic and ealworld{} graphs demonstrate that our framework can improve the F1 score by at least $20\%$ and often much more.

研究の動機と目的

• 既存のグラフマッチング手法がグラフ間で完全なノード対応を仮定しているという制限を解決すること。
• 構造およびノードコンテンツの両方が部分的に重複する現実世界のシナリオをモデル化すること。
• 部分的マッチングに適した、ノード埋め込みと輸送マップを同時に最適化する統合フレームワークの構築。
• 埋め込み学習モジュールを統合することで、異種グラフのマッチングを可能にすること。
• 特にF1スコアという観点から、従来の完全マッチングアプローチを上回るマッチング精度の向上。

提案手法

• 構造的類似性と特徴ベース類似性を測定するために、部分的Gromov-Wasserstein距離と部分的Wasserstein距離を組み合わせた統合目的関数を定式化する。
• ノード対応を精緻化するために、輸送マップとノード埋め込みを交互に最適化する。
• 部分的質量輸送を許容する。これは、確率質量の一部のみが移動することを意味し、部分的重複を反映する。
• 微分可能フレームワークを用いて、マッチングされたノードペア間の類似性を向上させるノード埋め込みを学習する。
• 最適化プロセスに埋め込み学習モジュールを統合することで、異種グラフマッチングを支援する。
• 両方のグラフの構造を活用し、グラフが完全に一致しない場合でも、類似度の高いノードペアを特定できる。

実験結果

リサーチクエスチョン

• RQ1 構造的および特徴的重複が部分的な2つのグラフにおいて、統合学習フレームワークが効果的にノードをマッチングできるか？
• RQ2 部分的Gromov-Wasserstein距離と部分的Wasserstein距離を組み合わせることで、マッチング性能がどのように向上するか？
• RQ3 提案手法が、部分的重複を持つグラフにおいて、完全マッチングベースラインをどの程度上回るか？
• RQ4 ノード特徴がグラフ間で異なる異種グラフに対しても、このフレームワークは汎用性を示せるか？
• RQ5 輸送マップとノード埋め込みの共同最適化が、F1スコアおよびマッチング精度に与える影響は何か？

主な発見

• 提案フレームワークは、合成および実世界のグラフデータセットにおいて、F1スコアを最低20%向上させる。
• 特に部分的グラフ重複が生じる状況において、従来の完全マッチングアプローチよりも顕著に高いF1スコアを達成する。
• 最適化中に互換性のあるノード埋め込みを学習することで、フレームワークは異種グラフを効果的に処理できる。
• 部分的質量輸送により、完全な対応を強制するのではなく、類似度の高いノードペアに焦点を当てたより現実的なマッチングが可能になる。
• 輸送マップと埋め込みの交互最適化により、ノードマッチングの安定的かつ改善された収束が達成される。
• 実験結果から、Gromov-Wasserstein距離とWasserstein距離を組み合わせることで、部分的グラフマッチングに有効であることが確認された。