[논문 리뷰] Towards Effective and Efficient Graph Alignment without Supervision

Songyang Chen, Youfang Lin외 3명|arXiv (Cornell University)|2026. 03. 09.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

이 논문은 GlobAlign를 글로벌 표현과 트랜스포트 기반의 비지도 그래프 정렬 프레임워크로 소개하고, 희소화된 트랜스포트 비용을 가진 더 효율적인 변형인 GlobAlign-E를 제시하여 OT 기반 방법보다 더 높은 정확도와 더 빠른 런타임을 달성한다.

ABSTRACT

Unsupervised graph alignment aims to find the node correspondence across different graphs without any anchor node pairs. Despite the recent efforts utilizing deep learning-based techniques, such as the embedding and optimal transport (OT)-based approaches, we observe their limitations in terms of model accuracy-efficiency tradeoff. By focusing on the exploitation of local and global graph information, we formalize them as the ``local representation, global alignment'' paradigm, and present a new ``global representation and alignment'' paradigm to resolve the mismatch between the two phases in the alignment process. We then propose \underline{Gl}obal representation and \underline{o}ptimal transport-\underline{b}ased \underline{Align}ment ( exttt{GlobAlign}), and its variant, exttt{GlobAlign-E}, for better \underline{E}fficiency. Our methods are equipped with the global attention mechanism and a hierarchical cross-graph transport cost, able to capture long-range and implicit node dependencies beyond the local graph structure. Furthermore, exttt{GlobAlign-E} successfully closes the time complexity gap between representative embedding and OT-based methods, reducing OT's cubic complexity to quadratic terms. Through extensive experiments, our methods demonstrate superior performance, with up to a 20\% accuracy improvement over the best competitor. Meanwhile, exttt{GlobAlign-E} achieves the best efficiency, with an order of magnitude speedup against existing OT-based methods.

연구 동기 및 목표

• 비지도 그래프 정렬에서 전통적인 두 단계의 "로컬 표현, 글로벌 정렬" 패러다임의 한계를 형식화한다.
• 긴 거리 및 암시적 노드 의존성을 포착하기 위한 새로운 "글로벌 표현 및 정렬" 패러다임을 제안한다.
• self-attention을 통해 글로벌 정보를 활용하고 계층적 교차 그래프 트랜스포트 코스트를 이용하는 GlobAlign을 개발한다.
• 임베딩 기반 방법과 OT 기반 방법 간의 시간 복잡도 차이를 줄이고 정확도를 유지하기 위해 GlobAlign-E를 도입한다.
• 광범위한 실험과 소거 실험을 통해 우수한 정확도와 효율성을 입증한다.

제안 방법

• 기존 정렬 방법을 두 단계인 로컬 표현과 글로벌 정렬로 형식화한다.
• 글로벌 그래프 정보를 인코딩하기 위해 self-attention(Transformers)을 사용한 글로벌 표현을 도입한다.
• Gromov-Wasserstein와 Wasserstein 구성요소를 결합한 계층적 교차 그래프 트랜스포트 코스트를 설계한다.
• 비용과 정렬 매트릭스 T에 대해 차용적 교대 선형화 최소화(proximal alternating linearized minimization)와 Sinkhorn 반복을 통해 OT 기반 목적함수로 최적화한다.
• 상위-k 구조와 의미적 유사성으로 관계 행렬을 마스킹하여 세제곱 OT 복잡도를 거의 이차적으로 감소시키는 희소화된 변형 GlobAlign-E를 제공한다.
• 복잡성을 분석하고 희소화하에 GlobAlign-E가 O(n^2 d + n m)을 달성함을 보인다.

실험 결과

연구 질문

• RQ1 로컬 표현과 글로벌 정렬 사이의 불일치를 글로벌 표현 및 트랜스포트 패러다임을 채택함으로써 해결할 수 있는가?
• RQ2 긴 거리 의존성을 포착하기 위해 비지도 그래프 정렬에 글로벌 상호작용을 어떻게 도입할 수 있는가?
• RQ3 GW와 WD를 결합한 계층적 교차 그래프 트랜스포트 코스트가 기존 OT 기반 방법보다 정확도와 효율성을 개선하는가?
• RQ4 희소화된 트랜스포트 코스트(GlobAlign-E)가 임베딩 기반 방법과 OT 기반 방법 사이의 효율성 격차를 성능 저하 없이 줄일 수 있는가?

주요 결과

• GlobAlign은 최고의 경쟁자 대비 최대 20%의 개선으로 우수한 정확도를 달성한다.
• GlobAlign-E는 기존 OT 기반 방법에 비해 한 차원 높은 속도 향상으로 최고의 효율성을 달성한다.
• GlobAlign은 self-attention을 통해 글로벌 정보를 활용하여 로컬 그래프 구조를 넘어서는 장거리 의존성을 모델링한다.
• 계층적 트랜스포트 코스트는 GWD와 WD를 결합하여 글로벌 구조 인식과 노드별 유사성의 균형을 맞춘다.
• 상위-k 마스크와 PPR 기반 구조, 더불어 의미 마스크를 통한 희소화가 정확도 유지를 유지하면서 상당한 효율 개선을 가져온다.
• 실험 결과에는 제안된 패러다임과 모델의 효과를 입증하는 견고성 분석과 소거 연구가 포함된다.