[논문 리뷰] Partial Gromov-Wasserstein Learning for Partial Graph Matching.

Weijie Liu, Chao Zhang외 4명|arXiv (Cornell University)|2020. 12. 02.

Advanced Graph Neural Networks참고 문헌 50인용 수 4

한 줄 요약

이 논문은 부분적으로 겹치는 두 그래프 간의 노드를 매칭하기 위한 부분 Gromov-Wasserstein 학습 프레임워크를 제안한다. 부분 Gromov-Wasserstein 거리와 부분 Wasserstein 거리를 결합하여 운반 매핑과 노드 임베딩을 동시에 최적화한다. 이 방법은 합성 및 실세계 그래프, 이질적 그래프를 포함한 다양한 그래프에서 F1 점수를 최소 20% 향상시킨다.

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.

연구 동기 및 목표

• 기존 그래프 매칭 방법이 그래프 간에 완전한 노드 대응을 전제로 한다는 한계를 해결한다.
• 구조적 및 노드 콘텐츠 측면에서 부분적으로 겹치는 실세계 시나리오를 모델링한다.
• 부분 매칭을 위한 노드 임베딩과 운반 매핑을 동시에 최적화하는 통합 프레임워크를 개발한다.
• 임베딩 학습 모듈을 통합하여 이질적 그래프 간의 매칭을 가능하게 한다.
• 기존의 완전 매칭 접근 방식에 비해 매칭 정확도, 특히 F1 점수를 향상시킨다.

제안 방법

• 구조적 유사성과 특징 기반 유사성을 측정하기 위해 부분 Gromov-Wasserstein 거리와 부분 Wasserstein 거리를 조합한 공동 목적 함수를 수립한다.
• 노드 대응을 개선하기 위해 운반 매핑과 노드 임베딩을 번갈아가며 최적화한다.
• 부분 질량 운반을 허용하여, 확률 질량의 일부만 이동하도록 하며, 이는 부분 겹침을 반영한다.
• 일관된 유사도를 향상시키기 위해 노드 임베딩을 학습할 수 있는 미분 가능 프레임워크를 사용한다.
• 최적화 과정에 임베딩 학습 모듈을 통합하여 이질적 그래프 매칭을 지원한다.
• 두 그래프의 구조를 활용하여, 그래프가 완전히 정렬되지 않은 경우에도 높은 유사도를 가진 노드 쌍을 식별할 수 있다.

실험 결과

연구 질문

• RQ1 부분적인 구조적 및 특징적 겹침이 있는 두 그래프에서 통합 학습 프레임워크가 효과적으로 노드를 매칭할 수 있는가?
• RQ2 부분 Gromov-Wasserstein 거리와 부분 Wasserstein 거리를 결합함으로써 매칭 성능가 향상되는가?
• RQ3 제안된 방법이 부분적으로 겹치는 그래프에서 기존의 완전 매칭 기반 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 노드 특징이 서로 다른 이질적 그래프에 대해서도 이 프레임워크가 일반화 가능한가?
• RQ5 운반 매핑과 노드 임베딩의 공동 최적화가 F1 점수와 매칭 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 프레임워크는 합성 및 실세계 그래프 데이터셋에서 F1 점수를 최소 20% 향상시킨다.
• 특히 부분 그래프 겹침이 있는 상황에서 기존의 완전 매칭 접근 방식보다 훨씬 높은 F1 점수를 달성한다.
• 최적화 과정에서 호환 가능한 노드 임베딩을 학습함으로써 이질적 그래프를 성공적으로 처리한다.
• 부분 질량 운반은 전체 대응을 강제하지 않고도 높은 유사도를 가진 노드 쌍에 집중함으로써 더 현실적인 매칭을 가능하게 한다.
• 운반 매핑과 임베딩의 번갈아 최적화는 노드 매칭의 안정적이고 향상된 수렴을 이끈다.
• 실험 결과는 Gromov-Wasserstein 거리와 Wasserstein 거리를 결합하여 부분 그래프 매칭에 효과적임을 확인한다.