【论文笔记】图匹配的路径跟随算法

本文为论文《A Path Following Algorithm for Graph Matching》的学习笔记，讲解路径跟随算法。欢迎在评论区一起讨论👏

关键词：图算法；图匹配；凸规划；梯度方法；机器学习；分类；图像处理

一、摘要

方法

提出了凸凹规划方法，以解决标记加权图匹配问题。

• 将图匹配问题重写为在置换矩阵集上的最小二乘问题，并且将问题分解为两个不同的优化问题，分别为双重随机矩阵上的二次凸和二次凹优化问题。从而得到二次规划公式。
• 凹松弛的全局最小值与初始图匹配问题相同，但却是一个复杂的组合问题。因此，我们从凸松弛开始，通过凹凸二次公式的线性插值构建一个近似解。

结果

在模拟图，QAPLib 和手写汉字 3 个数据集上，与当前性能最好的图匹配方法进行比较。

二、结论

优势

• 匹配结果好

• 复杂度与当前方法相当

• 容易整合标签相似性方面的信息

课题构思

提出基于初始整数规划问题的凸凹松弛的图匹配新方法。

未解问题

• 研究凸凹松弛的其它选择
• 应用到有向图中，从而为广泛的 QAP 提供新方法

三、粗看图表

数据来源

模拟图，QAPLib 和手写汉字数据集（ETL9B 数据集）

重要指标

图匹配算法的精度和耗时；最佳匹配数量

四、引言

课题阶段

• 因为图匹配具有组合性质，规模较大时很难匹配。当前解决小规模图和稀疏图匹配算法有 2 类：

  类别	特点	代表性方法
  基于不完全枚举	找到精确最优解	频谱方法
  近似算法	扩展性强，得到近似解	直接使用图的邻接矩阵，通常包括离散优化问题的松弛

• 标签图的匹配需要综合考虑图结构和顶点相似标签的对应。

主要贡献

提出标记权重图匹配的近似方法。当顶点集扩大时，性能同样好。

• 将标记图匹配问题表述为置换矩阵集上的二次分配问题（QAP），其中二次项表示结构的匹配，线性项表示顶点的匹配。
• 将该问题进行两次松弛，从而在双随机矩阵集上得到一个二次凸和一个二次凹优化问题。凹松弛与初始 QAP 有相同的解，没有有效的优化算法。我们通过对凸凹松弛的线性插值，得到一系列凸凹优化问题，从凸公式的唯一局部最小值得到凹松弛的局部最小值。

五、实验过程

问题描述

置换矩阵：每行每列是有一个 1，其它地方为 0，且 $PP’=E$。当一个矩阵乘上一个置换矩阵时，所得到的是原来矩阵的横行（置换矩阵在左）或纵列（置换矩阵在右）经过置换后得到的矩阵。

使用邻接矩阵分别表示简单无向图 $G,H$，构造置换矩阵 $P$，$P_{ij}=1$ 表示 $G$ 中第 $i$ 个顶点与 $H$ 中第 $j$ 个顶点对应匹配。将矩阵 $P$ 应用到 $H$ 上得到与 $H$ 同构的新图，记为 $P(H)$，该置换图的邻接矩阵 $A_{P(H)}$ 可写为 $A_{P(H)}=P{A}_H{P}^T$。

我们使用下面的公式衡量两幅图间的匹配差异：
$$F(P)=||A_G-A_{P(H)}|{|}_F^2=||A_G-P{A}_H{P}^T|{|}_F^2$$
其中 $||.|{|}_F^2$ 为 Frobenius 矩阵范数。图匹配问题转换为在置换矩阵集上最小化 $F(P)$。

进一步，我们要解决带标记的图匹配（每个顶点都有标记）问题，除了考虑图的结构外，还要考虑顶点标记的匹配。我们用 $C_{ij}$ 表示 $G$ 中第 $i$ 个顶点与 $H$ 中第 $j$ 个顶点的匹配代价，于是标记匹配问题可以转换为最小化下面的公式：
$$\underset{P}{\min }tr(C^{T}P)=\sum _{i=1}^N\sum _{j=1}^N{C}_{ij}{P}_{ij}=\sum _{i=1}^N{C}_{i,P(i}$$