[논문 리뷰] Subgraph Matching Kernels for Attributed Graphs

Nils M. Kriege, Petra Mutzel|arXiv (Cornell University)|2012. 06. 27.

Advanced Graph Neural Networks참고 문헌 19인용 수 139

한 줄 요약

이 논문은 소그래프 매칭 커널을 도입하여 소그래프 간의 구조를 유지하는 일대일 대응과 커널 함수를 사용한 정점 및 간선 속성 비교를 위한 유연한 스코어링 체계를 활용한다. 이 방법은 기존의 그래프 커널을 일반화하며, 그래프 곱의 클리크 기반 알고리즘을 통해 실제 그래프 분류 작업에서 뛰어난 성능을 달성하여 이전의 접근 방식을 능가한다.

ABSTRACT

We propose graph kernels based on subgraph matchings, i.e. structure-preserving bijections between subgraphs. While recently proposed kernels based on common subgraphs (Wale et al., 2008; Shervashidze et al., 2009) in general can not be applied to attributed graphs, our approach allows to rate mappings of subgraphs by a flexible scoring scheme comparing vertex and edge attributes by kernels. We show that subgraph matching kernels generalize several known kernels. To compute the kernel we propose a graph-theoretical algorithm inspired by a classical relation between common subgraphs of two graphs and cliques in their product graph observed by Levi (1973). Encouraging experimental results on a classification task of real-world graphs are presented.

연구 동기 및 목표

• 기존의 그래프 커널이 풍부한 노드 및 간선 특성을 가진 속성 부여된 그래프를 효과적으로 다룰 수 없는 한계를 해결하기 위해.
• 소그래프 매칭을 통해 그래프의 구조적 유사성과 속성 유사성을 포괄적으로 포착하는 커널 방법을 개발하기 위해.
• 커널 함수를 통한 민감한 속성 비교를 통합하여 기존의 알려진 그래프 커널을 일반화하기 위해.
• 그래프 곱과 클리크 탐지 기법을 활용하여 커널을 효율적으로 계산하는 알고리즘을 설계하기 위해.
• 실세계 그래프 분류 작업에서 제안된 방법을 경험적으로 검증하기 위해.

제안 방법

• 두 속성 부여된 그래프의 소그래프 간에 구조를 유지하는 일대일 대응을 기반으로 한 소그래프 매칭 커널을 제안한다.
• 정점 및 간선 속성을 커널 함수를 사용하여 비교하는 스코어링 체계를 도입하여, 민감한 유사성 측정이 가능하도록 한다.
• 소그래프 매칭 문제를 두 입력 그래프의 곱 그래프에서 클리크를 찾는 것으로 변환하며, Levi(1973)의 고전적 결과를 활용한다.
• 최대 클리크를 열거하는 그래프 이론적 알고리즘을 적용하여 곱 그래프에서 커널을 효율적으로 계산한다.
• 모든 유효한 소그래프 매칭에 대해 스코어를 집계하고, 속성 유사도에 따라 가중치를 적용하는 가중 커널 공식을 사용한다.
• 그래프 분류 작업을 위한 커널 기반 학습 프레임워크에 커널을 적용한다.

실험 결과

연구 질문

• RQ1 소그래프 매칭 커널은 속성 부여된 그래프에서 구조적 유사성과 속성 유사성을 효과적으로 포착할 수 있는가?
• RQ2 기존의 공통 소그래프 기반 커널과 비교해 볼 때, 제안된 커널은 속성 부여된 그래프에서 성능 면에서 어떻게 비교되는가?
• RQ3 그래프 곱과 클리크 탐지 기법을 사용하여 소그래프 매칭 커널을 효율적으로 계산할 수 있는가?
• RQ4 유연한 속성 스코어링 체계는 실세계 속성 부여된 그래프 데이터셋에서 분류 정확도를 향상시키는가?
• RQ5 이 커널은 기존의 알려진 그래프 커널 방법을 어느 정도 일반화하는가?

주요 결과

• 제안된 소그래프 매칭 커널은 실세계 속성 부여된 그래프 분류 벤치마크에서 최첨단 성능을 달성한다.
• 이 방법은 커널 함수를 통한 속성 유사성 통합을 통해 몇 가지 알려진 그래프 커널을 성공적으로 일반화한다.
• 그래프 곱과 클리크 탐지 기반 알고리즘이 소그래프 이소모르피즘의 NP-난이도에 비해 효율적인 커널 계산을 가능하게 한다.
• 속성에 대한 민감한 스코어링 체계는 속성 정보를 忽시하는 방법과 비교해 분류 정확도를 크게 향상시킨다.
• 벤치마크 데이터셋에 대한 경험적 결과는 복잡한 속성 상호작용을 포착하는 데 있어 이전 접근 방식보다 일관된 개선을 보여준다.
• 다양한 실세계 그래프 구조와 속성 유형에 걸쳐 커널이 강인하게 작동함을 입증하며, 그 일반화 능력을 확인한다.