[论文解读] A Weighted Common Subgraph Matching Algorithm

Xu Yang, Hong Qiao+1 more|arXiv (Cornell University)|Nov 4, 2014

Graph Theory and Algorithms参考文献 21被引用 4

一句话总结

本文提出了一种新颖的加权公共子图（WCS）匹配算法，该算法直接针对两个标记加权图中指定大小的最相似子图进行优化，将问题表述为在部分置换矩阵上的组合优化，并通过渐进非凸性与凹性算法（GNCCP）求解。该方法在不同噪声水平、异常值数量和边密度条件下均表现出稳健性能，优于或匹配当前最先进的方法（如 PGM 和 SM），同时保持了计算效率。

ABSTRACT

We propose a weighted common subgraph (WCS) matching algorithm to find the most similar subgraphs in two labeled weighted graphs. WCS matching, as a natural generalization of the equal-sized graph matching or subgraph matching, finds wide applications in many computer vision and machine learning tasks. In this paper, the WCS matching is first formulated as a combinatorial optimization problem over the set of partial permutation matrices. Then it is approximately solved by a recently proposed combinatorial optimization framework - Graduated NonConvexity and Concavity Procedure (GNCCP). Experimental comparisons on both synthetic graphs and real world images validate its robustness against noise level, problem size, outlier number, and edge density.

研究动机与目标

• 解决两步子图匹配方法的局限性，这些方法将顶点匹配与子图选择解耦。
• 将加权公共子图（WCS）匹配表述为在部分置换矩阵上的直接组合优化问题。
• 开发一种基于 GNCCP 的优化框架，将子图选择与匹配统一为单一优化过程。
• 与现有方法相比，提升对噪声、异常值和不同图密度的鲁棒性。
• 实现在标记加权图中对预设大小子图的高效且精确匹配。

提出的方法

• 将 WCS 匹配问题表述为在表示有效子图对应关系的部分置换矩阵集合上的组合优化问题。
• 通过两种形式（H₁(X) 和 H₂(X)）对目标函数进行松弛，以在 GNCCP 框架内使非凸优化问题可解。
• GNCCP 算法通过迭代求解一系列凸子问题，逐步逼近局部最优解。
• 引入两种松弛（RLX1 和 RLX2）以改善近似质量和收敛行为。
• 通过在每次 Frank-Wolfe 迭代中近似两步方案，提出一种快速变体（RLX1F/RLX2F），以降低计算成本。
• 该方法应用于合成图和真实世界图像，其中使用 SIFT 描述符作为顶点标签，并通过 Delaunay 三角剖分进行图构建。

实验结果

研究问题

• RQ1 统一的优化框架是否能在准确性和鲁棒性方面优于传统的两步子图匹配方法？
• RQ2 所提出的基于 GNCCP 的方法在不同噪声水平、异常值数量和边密度下表现如何？
• RQ3 与基于间接排序的方法相比，直接优化子图大小指定是否能获得更好的结果？
• RQ4 所提出方法在合成数据和真实世界数据上与当前最先进的算法（如 PGM 和 SM）相比表现如何？
• RQ5 该算法的快速变体是否能在显著降低计算成本的同时保持具有竞争力的准确性？

主要发现

• 所提出的 RLX1 和 RLX2 算法在所有测试配置下均达到优于或可与当前最先进的 PGM 算法相当的性能。
• RLX1 优于 RLX2，表明 H₁(X) 对原始目标函数 H₀(X) 的近似优于 H₂(X)。
• 快速变体（RLX1F 和 RLX2F）在保持接近全量版本性能的同时显著降低了计算复杂度，其时间复杂度速率分别为 3.5±0.5。
• 在极高边密度（>0.5）时性能下降，可能由于过多边导致图的区分度降低。
• 该方法对噪声和异常值水平具有鲁棒性，在不同问题规模和边密度下均保持一致的性能表现。
• WCS 匹配问题比 PIW 问题更具挑战性，因为所有算法在 PIW 上的表现均优于 WCS，证实了在大小约束下进行子图匹配的难度。