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 P P ’ = E PP’=E 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 G,H G,H,构造置换矩阵 P P P, P i j = 1 P_{ij}=1 Pij=1 表示 G G G 中第 i i i 个顶点与 H H H 中第 j j j 个顶点对应匹配。将矩阵 P P P 应用到 H H H 上得到与 H H H 同构的新图,记为 P ( H ) P(H) P(H),该置换图的邻接矩阵 A P ( H ) A_{P(H)} AP(H) 可写为 A P ( H ) = P A H P T A_{P(H)}=PA_HP^T AP(H)=PAHPT。
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 F(P)=||A_G-A_{P(H)}||_F^2=||A_G-PA_HP^T||_F^2 F(P)=∣∣AG−AP(H)∣∣F2=∣∣AG−PAHPT∣∣F2
其中 ∣ ∣ . ∣ ∣ F 2 ||.||_F^2 ∣∣.∣∣F2 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 ) F(P) 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 i j C_{ij} Cij 表示 G G G 中第 i i i 个顶点与 H H H 中第 j j 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:
min P t r ( C T P ) = ∑ i = 1 N ∑ j = 1 N C i j P i j = ∑ i = 1 N C i , P ( i ) \min\limits_{P}tr(C^TP)=\sum\limits_{i=1}^N\sum\limits_{j=1}^NC_{ij}P_{ij}=\sum\limits_{i=1}^NC_{i,P(i)} Pmintr(CTP)=i=1∑Nj=1∑NCijPij=i=1∑NCi,P(i