[論文レビュー] Sub-GMN: The Subgraph Matching Network Model

Zixun Lan, Limin Yu+4 more|arXiv (Cornell University)|Mar 31, 2021

Advanced Graph Neural Networks参考文献 26被引用数 5

ひとこと要約

本稿では、グラフ表現学習、メトリック学習、アテンション機構を用いてクエリグラフとデータグラフ間のノード対ノードマッチングを生成する、エンド・ツー・エンドの学習ベースのモデルSub-GMNを提案する。データセット1において、GNNより12.21%高い精度、FGNNより3.2%高い精度を達成し、FGNNの20–40倍高速に動作する。また、大多数の従来のGNNベースの手法とは異なり、マッチングされたノードペアのリストを出力する。

ABSTRACT

As one of the most fundamental tasks in graph theory, subgraph matching is a crucial task in many fields, ranging from information retrieval, computer vision, biology, chemistry and natural language processing. Yet subgraph matching problem remains to be an NP-complete problem. This study proposes an end-to-end learning-based approximate method for subgraph matching task, called subgraph matching network (Sub-GMN). The proposed Sub-GMN firstly uses graph representation learning to map nodes to node-level embedding. It then combines metric learning and attention mechanisms to model the relationship between matched nodes in the data graph and query graph. To test the performance of the proposed method, we applied our method on two databases. We used two existing methods, GNN and FGNN as baseline for comparison. Our experiment shows that, on dataset 1, on average the accuracy of Sub-GMN are 12.21\% and 3.2\% higher than that of GNN and FGNN respectively. On average running time Sub-GMN runs 20-40 times faster than FGNN. In addition, the average F1-score of Sub-GMN on all experiments with dataset 2 reached 0.95, which demonstrates that Sub-GMN outputs more correct node-to-node matches. Comparing with the previous GNNs-based methods for subgraph matching task, our proposed Sub-GMN allows varying query and data graphes in the test/application stage, while most previous GNNs-based methods can only find a matched subgraph in the data graph during the test/application for the same query graph used in the training stage. Another advantage of our proposed Sub-GMN is that it can output a list of node-to-node matches, while most existing end-to-end GNNs based methods cannot provide the matched node pairs.

研究の動機と目的

• スケーラブルで学習可能な方法でNP完全なサブグラフマッチング問題に取り組むこと。
• 推論時に柔軟なクエリグラフとデータグラフのペairを用いたエンド・ツー・エンドの学習を可能にすること。
• 単一のサブグラフを特定するのではなく、ノード対ノードのマッチングのリストを出力すること。
• 従来のGNNベースのサブグラフマッチング手法よりも精度と推論速度を向上させること。
• 従来のGNN手法とは異なり、テスト時に変化するクエリグラフをサポートすること。

提案手法

• データグラフおよびクエリグラフのノードを低次元ベクトルに埋め込むためにグラフ表現学習を用いる。
• クエリグラフとデータグラフのノード埋め込み間の類似度を学習するため、メトリック学習を適用する。
• マッチング中にノードペアの重要度を動的に重みづけるためにアテンション機構を統合する。
• ノード埋め込みと学習された類似度スコアを組み合わせて、ノード対ノードのマッチングを予測する。
• マッチング精度を最適化するために、微分可能損失関数を用いてモデルをエンド・ツー・エンドで訓練する。
• テスト時に任意のクエリグラフをサポートし、訓練時のクエリに限定されない一般化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、従来のGNNベースの手法よりもサブグラフマッチングで高い精度を達成できるか？
• RQ2 従来のGNNベースのアプローチとは異なり、推論時に未観測のクエリグラフに一般化できるか？
• RQ3 モデルは単一のサブグラフではなく、ノード対ノードのマッチングのリストを出力できるか？
• RQ4 精度を向上させながらも、サブグラフマッチングにおいて高い速度を維持できるか？
• RQ5 メトリック学習とアテンションの統合が、マッチングパフォーマンスをどのように向上させるか？

主な発見

• データセット1において、Sub-GMNはGNNよりも平均で12.21%高い精度、FGNNよりも3.2%高い精度を達成した。
• データセット1において、Sub-GMNはFGNNの平均実行時間の20–40倍高速に動作した。
• データセット2では、Sub-GMNは平均F1スコア0.95を達成し、ノードマッチングにおける高い正確性と再現率を示した。
• Sub-GMNは、大多数の従来のエンド・ツー・エンドGNNベースの手法に欠けているように、ノード対ノードのマッチングのリストを正常に出力した。
• 従来のGNNベースのサブグラフマッチングモデルとは異なり、テスト時に変化するクエリグラフに一般化できた。
• メトリック学習とアテンション機構の統合により、マッチングパフォーマンスとロバスト性が顕著に向上した。