[论文解读] Sub-GMN: The Subgraph Matching Network Model

Zixun Lan, Limin Yu+4 more|arXiv (Cornell University)|Mar 31, 2021

Advanced Graph Neural Networks参考文献 26被引用 5

一句话总结

本文提出 Sub-GMN，一种基于端到端学习的子图匹配模型，结合图表示学习、度量学习和注意力机制，生成查询图与数据图之间的节点到节点匹配。在数据集1上，其准确率比 GNN 高 12.21%，比 FGNN 高 3.2%，运行速度比 FGNN 快 20–40 倍，且输出匹配节点对的列表——这是大多数基于 GNN 的先前方法所不具备的特性。

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.

研究动机与目标

• 以可扩展且可学习的方式解决子图匹配问题的 NP-完全性挑战。
• 在推理阶段支持灵活的查询图与数据图配对，实现端到端学习的子图匹配。
• 输出节点到节点的匹配列表，而不仅识别单个子图。
• 在准确率和推理速度上超越现有基于 GNN 的子图匹配方法。
• 在测试时支持变化的查询图，而不同于以往基于 GNN 的方法在训练时需固定查询图。

提出的方法

• 使用图表示学习将数据图和查询图中的节点嵌入为低维向量。
• 应用度量学习，学习查询图与数据图中节点嵌入之间的相似性度量。
• 集成注意力机制，在匹配过程中动态加权节点对的重要性。
• 结合节点嵌入和学习到的相似性得分，预测节点到节点的匹配。
• 使用可微分损失函数进行端到端训练，以优化匹配准确率。
• 支持测试时任意查询图，实现对训练特定查询的泛化能力。

实验结果

研究问题

• RQ1 深度学习模型能否在子图匹配任务中实现比现有基于 GNN 的方法更高的准确率？
• RQ2 该模型能否在推理阶段泛化到未见过的查询图，而不同于以往基于 GNN 的方法？
• RQ3 该模型是否能输出节点到节点的匹配列表，而非仅识别单个子图？
• RQ4 该模型能否在提升准确率的同时保持高运行速度？
• RQ5 度量学习与注意力机制的结合如何提升匹配性能？

主要发现

• 在数据集1上，Sub-GMN 的平均准确率比 GNN 高 12.21%，比 FGNN 高 3.2%。
• 在数据集1上，Sub-GMN 的平均运行时间比 FGNN 快 20–40 倍。
• 在数据集2上，Sub-GMN 的平均 F1 分数达到 0.95，表明节点匹配具有高精确率与高召回率。
• Sub-GMN 能够成功输出节点到节点的匹配列表，而这是大多数现有端到端基于 GNN 的方法所不具备的能力。
• 该模型在测试时能泛化到变化的查询图，而大多数先前基于 GNN 的子图匹配模型则被固定于训练时的查询图。
• 度量学习与注意力机制的结合显著提升了匹配性能与鲁棒性。