[논문 리뷰] Sub-GMN: The Subgraph Matching Network Model

Zixun Lan, Limin Yu외 4명|arXiv (Cornell University)|2021. 03. 31.

Advanced Graph Neural Networks참고 문헌 26인용 수 5

한 줄 요약

이 논문은 그래프 표현 학습, 메트릭 학습, 그리고 어텐션 메커니즘을 활용하여 쿼리 그래프와 데이터 그래프 간의 노드 간 매칭을 생성하는 엔드 투 엔드 학습 기반 모델인 Sub-GMN을 제안한다. Sub-GMN은 데이터셋 1에서 GNN보다 12.21% 높은 정확도와 FGNN보다 3.2% 높은 정확도를 달성했으며, FGNN보다 20–40배 빠른 속도로 실행되며, 대부분의 이전 GNN 기반 방법들과 달리 매칭된 노드 쌍의 목록을 출력한다.

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.

연구 동기 및 목표

• 확장 가능하고 학습 가능한 방식으로 NP-완전 문제인 서브그래프 매칭 문제를 해결하기 위해.
• 추론 시 유연한 쿼리 및 데이터 그래프 쌍을 갖는 엔드 투 엔드 학습을 가능하게 하기 위해.
• 단일 서브그래프를 식별하는 것 외에도 노드 간 매칭의 목록을 생성하기 위해.
• 기존의 GNN 기반 서브그래프 매칭 방법들보다 정확도와 추론 속도를 향상시키기 위해.
• 이전의 GNN 방법들이 훈련용 쿼리에 고정되어 있는 것과는 달리, 테스트 시기 동안 다양한 쿼리 그래프를 지원하기 위해.

제안 방법

• 데이터 그래프와 쿼리 그래프의 노드를 저차원 벡터로 임bedding하기 위해 그래프 표현 학습을 사용한다.
• 쿼리 그래프와 데이터 그래프의 노드 임베딩 간의 유사도 메트릭을 학습하기 위해 메트릭 학습을 적용한다.
• 매칭 과정에서 노드 쌍의 중요도를 동적으로 가중치를 부여하기 위해 어텐션 메커니즘을 통합한다.
• 노드 임베딩과 학습된 유사도 점수를 결합하여 노드 간 매칭을 예측한다.
• 매칭 정확도를 최적화하기 위해 미분 가능한 손실 함수를 사용하여 모델을 엔드 투 엔드로 훈련한다.
• 테스트 시기 동안 임의의 쿼리 그래프를 지원하여, 훈련 전용 쿼리에 국한되지 않은 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 기존의 GNN 기반 방법들보다 서브그래프 매칭에서 더 높은 정확도를 달성할 수 있는가?
• RQ2 기존의 GNN 기반 접근 방식들과 달리, 추론 시에 알려지지 않은 쿼리 그래프에 일반화될 수 있는가?
• RQ3 모델이 단일 서브그래프 외에도 노드 간 매칭의 목록을 출력하는가?
• RQ4 정확도를 향상시키는 동시에 높은 속도를 유지할 수 있는가?
• RQ5 메트릭 학습과 어텐션의 통합이 매칭 성능에 어떻게 기여하는가?

주요 결과

• 데이터셋 1에서 Sub-GMN은 GNN보다 평균적으로 12.21% 높은 정확도와 FGNN보다 3.2% 높은 정확도를 달성했다.
• 데이터셋 1에서 Sub-GMN은 평균 실행 시간 동안 FGNN보다 20–40배 빠른 속도를 기록했다.
• 데이터셋 2에서 Sub-GMN은 평균 F1-스코어 0.95를 달성하여 노드 매칭의 높은 정밀도와 재현율을 보였다.
• Sub-GMN은 대부분의 기존 엔드 투 엔드 GNN 기반 방법들에서 부재한 바에 따라 노드 간 매칭의 목록을 성공적으로 출력했다.
• 기존의 대부분의 GNN 기반 서브그래프 매칭 모델들이 훈련 쿼리에 고정되어 있는 것과는 달리, Sub-GMN은 테스트 시기 동안 다양한 쿼리 그래프로 일반화된다.
• 메트릭 학습과 어텐션 메커니즘의 통합은 매칭 성능과 강건성에 상당한 기여를 했다.