Core Concepts
データ駆動と伝統的手法の利点を組み合わせたアンサンブルモデルが、従来の手法を大幅に改善し、高い性能を発揮する。
Abstract
この論文では、グラフマッチングの新しいアプローチであるアンサンブル二次割り当てネットワーク(EQAN)が提案されました。EQANは、データ駆動型と伝統的な手法の利点を組み合わせ、従来の手法よりも優れたパフォーマンスを実現します。論文では、特徴ノイズや外れ値に対して堅牢であり、ランダムな回転にも強いことが示されています。さらに、大規模なグラフに対応するためのランダムサンプリング戦略も導入されました。
Stats
M (ℓ) ii′,jj′ = exp(- w(ℓ)⊤(V (ℓ)) :,i,j - V (ℓ)) :,i′,j′2)
M (ℓ) ii,jj = exp(u(ℓ)⊤V (ℓ)) :,i,j)
Quotes
"Experiments show that our model improves the performance of traditional algorithms significantly."
"In addition, we propose a random sampling strategy to reduce the computational complexity and GPU memory usage."
"The proposed model performs comparably or outperforms the best existing GNN-based methods."