TDGNet:两种用于近似子图匹配的不同图卷积网络
《IEEE Access》:TDGNet: Two different graph convolutional networks for approximate subgraph matching
【字体:
大
中
小
】
时间:2026年03月23日
来源:IEEE Access 4.2
编辑推荐:
摘要:子图匹配是一个基础问题,在多个领域都有应用,其核心是在更大的目标图中找出与查询图相匹配的子图。图神经网络常被用于解决这一问题。在基于GNN的子图匹配中,通过卷积操作聚合邻近节点的信息来生成新的节点特征。这一过程有助于识别相似的节点对,进而找到目标图中与查询图对应的子图。通常
摘要:
子图匹配是一个基础问题,在多个领域都有应用,其核心是在更大的目标图中找出与查询图相匹配的子图。图神经网络常被用于解决这一问题。在基于GNN的子图匹配中,通过卷积操作聚合邻近节点的信息来生成新的节点特征。这一过程有助于识别相似的节点对,进而找到目标图中与查询图对应的子图。通常,基于GNN的子图匹配旨在找到与查询图完全匹配的子图,为此会使用在目标图和查询图之间共享权重的GNN。然而,现实中的图数据往往存在噪声,因此共享权重的GNN在经过卷积运算后可能会生成不同的节点特征,从而导致错误的匹配结果。为了解决这个问题,我们提出了TDGNet,这是一种专为在含噪声的图上实现近似子图匹配而设计的模型。TDGNet为查询图和目标图分别使用独立的图卷积网络,这样既能保证卷积后节点特征的相似性,又能提升模型对噪声的抵抗能力。此外,TDGNet还引入了一种机制,将查询图的原始节点特征与通过单向交叉传播从目标图聚合来的信息结合在一起,并结合边缘连通性损失函数,从而提升模型对匹配子图的结构理解能力。在三个添加了噪声的公共数据集上的实验结果表明,TDGNet的准确率与现有的基于学习的子图匹配方法相当或更高。尤其是在含有10%噪声的COX2数据集上,TDGNet的匹配准确率为91.9%,而现有方法的准确率为89.9%,表现更为出色。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号