[论文解读] Hierarchical Graph Matching Networks for Deep Graph Similarity Learning.

Xiang Ling, Lingfei Wu+6 more|arXiv (Cornell University)|Sep 25, 2019

Advanced Graph Neural Networks参考文献 37被引用 8

一句话总结

该论文提出了一种新型深度学习框架——分层图匹配网络（HGMN），通过建模节点与整个图之间的跨层级交互以及通过孪生架构实现的全局图与图之间的交互，联合学习图表示和相似性度量。HGMN通过更有效地捕捉分层结构关系，在图分类和回归任务上均取得了最先进性能。

ABSTRACT

While the celebrated graph neural networks yield effective representations for individual nodes of a graph, there has been relatively less success in extending to deep graph similarity learning. Recent work has considered either global-level graph-graph interactions or low-level node-node interactions, ignoring the rich cross-level interactions (e.g., between nodes and a whole graph). In this paper, we propose a Hierarchical Graph Matching Network (HGMN) for computing the graph similarity between any pair of graph-structured objects. Our model jointly learns graph representations and a graph matching metric function for computing graph similarities in an end-to-end fashion. The proposed HGMN model consists of a node-graph matching network for effectively learning cross-level interactions between nodes of a graph and a whole graph, and a siamese graph neural network for learning global-level interactions between two graphs. Our comprehensive experiments demonstrate that HGMN consistently outperforms state-of-the-art graph matching network baselines for both classification and regression tasks.

研究动机与目标

• 解决现有图神经网络在图相似性学习中难以捕捉节点与整体图之间跨层级交互的局限性。
• 开发一种端到端可训练的框架，联合学习图表示和相似性度量。
• 通过同时建模节点-图和图-图交互，提升图相似性计算性能。
• 在标准图相似性学习基准上超越现有的图匹配基线方法。

提出的方法

• HGMN采用孪生图神经网络，学习两个输入图之间的全局层级交互。
• 提出一种节点-图匹配网络，显式建模单个节点与整个图结构之间的跨层级交互。
• 通过分层注意力机制整合节点层级和全局层级表示，以增强特征对齐。
• 整个架构通过对比损失进行端到端训练，以优化相似性度量。
• 通过孪生GNN和节点-图匹配模块的反向传播，更新图表示。
• 通过学习可微分的相似性函数，该框架支持分类和回归任务。

实验结果

研究问题

• RQ1 建模节点与整体图之间的跨层级交互是否能提升图相似性学习性能？
• RQ2 与独立学习相比，联合学习图表示和相似性度量对性能的影响如何？
• RQ3 引入分层交互是否能提升图分类和回归任务中的泛化能力？
• RQ4 HGMN在准确性和鲁棒性方面与现有图匹配网络相比表现如何？

主要发现

• HGMN在多个图相似性学习基准上达到最先进性能，在分类和回归任务中均优于现有基线方法。
• 该模型在多种不同的图数据集上均表现出一致的性能提升，表明其具有强大的泛化能力。
• 消融实验确认，跨层级的节点-图交互对性能提升有显著贡献。
• 端到端训练方案相比解耦方法，能实现更有效的特征学习和相似性度量优化。
• 孪生GNN组件能有效捕捉图之间的全局结构相似性。
• 节点-图匹配网络通过整合局部和全局结构线索，提升了表示质量。