【ICML2021】深度隐式图匹配

图匹配深度学习由于其优于传统方法的性能和为解决其他图上的组合问题提供的见解而成为一个重要的研究课题。虽然最近的通用深度方法广泛研究了有效的节点/边缘特征学习或给出这些学习特征的下游通用求解器，但很少有现有工作质疑固定连通性/拓扑是否通常使用启发式构建(例如，从学习的角度来看，我们认为固定的拓扑可能会限制模型的容量，从而潜在地阻碍性能。为了解决这个问题，我们提出学习潜在拓扑的分布，这样可以更好地支持下游GM任务。我们设计了两种潜在图生成程序，一个是确定性的，一个是生成的。特别地，生成过程强调跨图的一致性，因此可以看作是一个匹配引导的共生成模型。我们的方法在公共基准上的表现优于以往的先进水平，因此支持了我们的假设。

http://proceedings.mlr.press/v139/yu21d.html