[논문 리뷰] Hierarchical Graph Matching Networks for Deep Graph Similarity Learning.

Xiang Ling, Lingfei Wu외 6명|arXiv (Cornell University)|2019. 09. 25.

Advanced Graph Neural Networks참고 문헌 37인용 수 8

한 줄 요약

이 논문은 계층적 그래프 매칭 네트워크(HGMN)를 제안한다. HGMN은 사전에 정의된 그래프 표현과 유사도 메트릭을 함께 학습하는 데에 초점을 맞춘 새로운 딥러닝 프레임워크로, 노드와 전체 그래프 간의 크로스레벨 상호작용, 그리고 시アン세 구조를 통해 전체 그래프 간의 상호작용을 모델링한다. HGMN은 기존 방법보다 더 효과적으로 계층적 구조적 관계를 포착함으로써 그래프 분류 및 회귀 작업에서 최신 기준 성능을 달성한다.

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.

연구 동기 및 목표

• 기존 그래프 신경망이 그래프 유사도 학습을 위해 노드와 전체 그래프 간의 크로스레벨 상호작용을 포착하는 데에 한계가 있음을 해결하기 위해.
• 그래프 표현과 유사도 메트릭을 함께 학습하는 엔드 투 엔드로 트레이닝 가능한 프레임워크를 개발하기 위해.
• 노드-그래프 및 그래프-그래프 상호작용을 동시에 모델링하여 그래프 유사도 계산을 향상시키기 위해.
• 기존 그래프 매칭 베이스라인을 표준 그래프 유사도 학습 벤치마크에서 슈퍼어리어로 성능을 뛰어넘기 위해.

제안 방법

• HGMN는 두 입력 그래프 간의 글로벌 수준 상호작용을 학습하기 위해 시안세 그래프 신경망을 사용한다.
• 개별 노드와 전체 그래프 구조 간의 크로스레벨 상호작용을 명시적으로 모델링하기 위해 노드-그래프 매칭 네트워크를 도입한다.
• 계층적 어텐션 메커니즘을 통해 노드 수준 및 글로벌 수준 표현을 통합하여 특징 정렬을 향상시킨다.
• 유사도 메트릭 최적화를 위해 대조 손실을 사용하여 전체 아키텍처를 엔드 투 엔드로 트레이닝한다.
• 백프로파게이션을 통해 시안세 GNN과 노드-그래프 매칭 모듈을 모두 거쳐 그래프 표현을 업데이트한다.
• 기계적 유사도 함수를 학습함으로써 분류 및 회귀 작업을 모두 지원한다.

실험 결과

연구 질문

• RQ1 노드와 전체 그래프 간의 크로스레벨 상호작용을 모델링하면 그래프 유사도 학습에 도움이 될 수 있는가?
• RQ2 그래프 표현과 유사도 메트릭을 함께 학습하는 것이 별도로 학습하는 것보다 성능에 어떤 영향을 미치는가?
• RQ3 계층적 상호작용을 포함함으로써 그래프 분류 및 회귀 작업에서 더 나은 일반화 성능을 달성할 수 있는가?
• RQ4 기존 그래프 매칭 네트워크와 비교했을 때 HGMN의 정확도 및 내구성은 어떠한가?

주요 결과

• HGMN는 다양한 그래프 유사도 학습 벤치마크에서 최신 기준 성능을 달성하여 기존 베이스라인보다 분류 및 회귀 작업 모두에서 뛰어난 성능을 보였다.
• 다양한 그래프 데이터셋에서 일관된 성능 향상을 보이며 강력한 일반화 능력을 입증하였다.
• 아블레이션 스터디 결과, 크로스레벨 노드-그래프 상호작용이 성능 향상에 크게 기여하는 것으로 확인되었다.
• 분리된 접근 방식보다 엔드 투 엔드 트레이닝 체계가 더 효과적인 특징 학습과 유사도 메트릭 최적화를 가능하게 하였다.
• 시안세 GNN 구성 요소는 그래프 간의 글로벌 구조적 유사성을 효과적으로 포착하였다.
• 노드-그래프 매칭 네트워크는 국소적 및 글로벌 구조적 신호를 통합함으로써 표현 품질을 향상시켰다.