[논문 리뷰] An Efficient Heuristic for Graph Edit Distance

Lijun Chang, Xing Feng외 2명|arXiv (Cornell University)|2017. 09. 20.

Graph Theory and Algorithms참고 문헌 2인용 수 8

한 줄 요약

이 논문은 그래프 에디트 거리(GED) 계산과 검증을 위한 효율적인 휴리스틱인 AStar+-BMa를 제안한다. 이는 앵커 인식 하한 추정을 통합한 프레임워크를 사용하며, 부분 매핑에 대한 하한을 강화하고 최적의 우선 탐색(AStar+)을 통해 탐색 공간을 줄여, 대규모 그래프에서 최신 기술 대비 4개 이상의 지수 차수 속도 향상을 달성한다.

ABSTRACT

Graph edit distance (GED) is an important similarity measure adopted in a similarity-based analysis between two graphs, and computing GED is a primitive operator in graph database analysis. Partially due to the NP-hardness, the existing techniques for computing GED are only able to process very small graphs with less than 30 vertices. Motivated by this, in this paper we systematically study the problems of both GED computation, and GED verification (i.e., verify whether the GED between two graphs is no larger than a user-given threshold). Firstly, we develop a unified framework that can be instantiated into either a best-first search approach AStar+ or a depth-first search approach DFS+. Secondly, we design anchor-aware lower bound estimation techniques to compute tighter lower bounds for intermediate search states, which significantly reduce the search spaces of both AStar+ and DFS+. We also propose efficient techniques to compute the lower bounds. Thirdly, based on our unified framework, we contrast AStar+ with DFS+ regarding their time and space complexities, and recommend that AStar+ is better than DFS+ by having a much smaller search space. Extensive empirical studies validate that AStar+ performs better than DFS+, and show that our AStar+-BMa approach outperforms the state-of-the-art technique by more than four orders of magnitude.

연구 동기 및 목표

• 그래프 에디트 거리(GED)의 계산 비용이 너무 높아져 NP-난이도이므로 기존 방법이 작은 그래프에만 국한되는 문제를 해결하기 위해.
• 최적 우선 탐색(AStar+)과 깊이 우선 탐색(DFS+) 전략을 모두 지원하는, GED 계산과 검증을 위한 통합 프레임워크를 개발하기 위해.
• 더 날카운드 하한 추정 기법—특히 앵커 인식 하한—을 설계하여 GED 계산에서 탐색 공간을 크게 줄이기 위해.
• AStar+와 더 날카운드 하한을 사용한 AStar+-BMa가 시간과 메모리 효율성 측면에서 DFS+와 기존 알고리즘을 뛰어넘는다는 것을 경험적으로 검증하기 위해.

제안 방법

• GED 계산과 검증을 위해 최적 우선 탐색(AStar+) 또는 깊이 우선 탐색(DFS+)으로 구현 가능한 통합 탐색 프레임워크를 제안한다.
• 정점 및 간선 레이블 불일치를 기반으로, 매핑되지 않은 그래프 부분의 최소 비용을 추정하는 앵커 인식 하한(δBMa, δBM, δBMaN)을 도입한다.
• 각 하한 기반으로 부분 매핑의 최선의 확장을 계산하는 효율적인 알고리즘을 설계하여 탐색 공간 탐색을 최소화한다.
• AStar+에서 우선순위 큐를 사용하여 가장 낮은 추정 비용을 가진 매핑부터 탐색함으로써 최적 해를 조기에 발견한다.
• 일致성을 유지하고 하위 최적의 프루닝을 방지하기 위해 노드의 모든 자식을 전개하는 전략(전개-모두)을 사용한다.
• 기본 기반으로 레이블 세트 기반 하한(δLS)을 사용하고, 이를 더 정보가 풍부한 δBMa와 같은 하한으로 개선한다.

실험 결과

연구 질문

• RQ1 GED 계산과 검증을 위해 최적 우선 탐색과 깊이 우선 탐색을 모두 지원하는 통합 프레임워크를 설계할 수 있는가?
• RQ2 부분 매핑에 대해 더 날카운드한 하한을 어떻게 계산할 수 있는가? 이는 GED 계산에서 탐색 공간을 줄이는 데 기여한다.
• RQ3 앵커 인식 하한을 사용한 AStar+가 DFS+에 비해 탐색 공간과 실행 시간 측면에서 뛰어나게 되는가?
• RQ4 제안된 방법은 대규모 그래프(예: 최대 1024개 정점)와 높은 GED 값에 대해 스케일링 가능한가?
• RQ5 AStar+-BMa가 GED 계산과 검증 작업 모두에서 최신 기술 알고리즘과 비교해 어떻게 성능을 냈는가?

주요 결과

• AStar+-BMa는 최대 60개 정점을 가진 그래프에서 최신 기술 알고리즘 대비 4개 이상의 지수 차수 빠른 속도 향상을 달성한다.
• AStar+는 그래프 크기가 커질수록 탐색 공간이 크게 줄어들기 때문에 DFS+에 비해 일관되게 뛰어난 성능을 보인다.
• 앵커 인식 하한 δBMa는 δLS보다 더 날카운드한 추정을 제공하여 수렴 속도를 높이고 메모리 사용량을 줄인다.
• AStar+-BMa는 대규모 그래프(예: 1024개 정점을 가진 GR)와 높은 GED 값에서도 잘 스케일링되며, 16GB 메인 메모리 내에서 모든 테스트를 완료한다.
• GED 검증에서는 AStar+-BMa가 CSI GED와 AStar+-LS에 비해 특히 비유사 그래프 쌍에서 뚜렷한 성능 향상을 보였다.
• GED 검증에서는 δBMa 하한이 δLSa보다 더 효과적이며, 유사한 그래프 쌍에서는 AStar+가 DFS+에 비해 약간이지만 일관된 우월성을 보였다.