A Differentiable Approximation of the Graph Edit Distance - Normandie Université
Communication Dans Un Congrès Année : 2024

A Differentiable Approximation of the Graph Edit Distance

Une approximation différentiable de la distance d'édition.

Résumé

To determine the similarity of labeled graphs, the graph edit distance (GED) is widely used due to its metric properties on the graph space and its interpretability. It is defined as the minimal cost of a sequence of edit operations transforming one graph into another one, with the cost of each edit operation being a parameter of the distance. Although calculating GED is NP-hard, various heuristics exist which, in practice, typically yield tight upper or lower bounds. Since determining appropriate edit operation costs for a given dataset or application can be challenging, it is attractive to learn these costs from the data, e. g., using metric learning architectures. However, for this approach to be feasible, a differentiable algorithm to approximate the GED is required. In this work, we present such an algorithm and show via an empirical evaluation on three datasets that the obtained distances closely match the distances computed by a state-of-the-art combinatorial GED heuristic.

Pour déterminer la similarité des graphes étiquetés, la distance d'édition de graphe (GED) est largement utilisée en raison de ses propriétés métriques dans l'espace des graphes et de son interprétabilité. Elle est définie comme le coût minimal d'une séquence d'opérations d'édition transformant un graphe en un autre, le coût de chaque opération d'édition étant un paramètre de la distance. Bien que le calcul de la GED soit NP-difficile, diverses heuristiques existent qui, en pratique, fournissent généralement des bornes supérieures ou inférieures serrées. Étant donné que la détermination des coûts appropriés des opérations d'édition pour un ensemble de données ou une application donnée peut être difficile, il est attrayant d'apprendre ces coûts à partir des données, par exemple en utilisant des architectures d'apprentissage métrique. Cependant, pour que cette approche soit réalisable, un algorithme différentiable pour approximer la GED est nécessaire. Dans ce travail, nous présentons un tel algorithme et montrons, par le biais d'une évaluation empirique sur trois ensembles de données, que les distances obtenues correspondent étroitement aux distances calculées par une heuristique combinatoire de GED de pointe.

Fichier principal
Vignette du fichier
Evaluation_of_a_Continuous_Approximation_of_GED.pdf (477.59 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04740015 , version 1 (16-10-2024)

Identifiants

  • HAL Id : hal-04740015 , version 1

Citer

Julia Wallnig, Luc Brun, Benoit Gaüzère, Sébastien Bougleux, Florian Yger, et al.. A Differentiable Approximation of the Graph Edit Distance. Statistical Techniques in Pattern Recognition and Structural and Syntactic Pattern Recognition S+SSPR, Andrea Torsello; Luca Rossi; Filippo Bergamasco; Luca Cosmo, Sep 2024, Venise (IT), Italy. ⟨hal-04740015⟩
48 Consultations
13 Téléchargements

Partager

More