Graph Edit Distance Computation via Graph Neural Networks 2019 WSDM

rdkit&networkx | 通过图编辑距离GED计算分子相似性 定义 图的编辑距离计算(Graph Edit Distance Computation)是指,对两个图之间通过点和边的insert、delete、substitute操作完成相互转换所需要的最少操作数。GED问题是一个NPC问题,同时也是许多图上应用问题,比如图分类问题、图匹配问题、图相似度搜索问题的核心操作。 代码 from rdkit import Chem import networkx as nx def get_graph(mol): Chem.Kekulize(mol) at 阅读详情

文章简介

  1. 文章链接
  2. 作者单位:
    白云生,洛杉矶加州大学, yba@ucla.edu
    丁浩,普渡大学,ding209@purdue.edu
    宋边,浙江大学,biansonghz@gmail.com
    陈婷,洛杉矶加州大学,tingchen@cs.ucla.edu
    孙宜州,洛杉矶加州大学,yzsun@cs.ucla.edu
    王玮,洛杉矶加州大学,weiwang@cs.ucla.edu
  3. 文章来源:WSDM 2019 (CCFB类,CORE评价为A*)
  4. 他人的讲解ppt
  5. 2.他人github代码
    1.作者github代码

参考文献

[参考文献9]
Michaël Defferrard, Xavier Bresson, and Pierre Vandergheynst.
2016.
复现代码
Convolutional neural networks on graphs with fast localized spectral filtering.
In NIPS.
3844–3852
在这里插入图片描述

文章总结

1.解决问题

  这篇文章作为使用新模型,去计算图相似度的方法确实很新颖。但是自己实在读不懂,里面有很多框架不能够实现。

2.使用方法

3.文章不足

4、图编辑距离学习方法:提升图匹配的准确性和效率 本文详细介绍了图编辑距离(Graph Edit Distance, GED)的基本概念、应用背景和计算挑战。重点探讨了多种学习编辑成本的方法,包括常数成本法和函数成本法,并深入解析了基于Oracle节点对应关系、真实标签节点对应关系、神经网络、概率模型以及图嵌入的具体技术。通过实验评估与结果分析,展示了这些方法在多个数据集上的性能表现,同时讨论了优化函数的选择及其对模型性能的影响。最后,文章还总结了GED在多个领域的广泛应用及未来研究方向。 阅读详情

相关推荐

Structural Pattern Recognition with Graph Edit Distance.pdf

Structural Pattern Recognition with Graph Edit Distance_Approximation Algorithms and Applications 164页高清 带详细书签目录 pdf格式 Springer出版

An Exact Graph Edit Distance Algorithm for Solving Pattern Recognition Problems

2015年的文章,已经用python实现,必应搜索networkx.simialrity.py 图形编辑距离是一种容错匹配技术,可用于解决模式识别,机器学习和数据挖掘中的不同任务的强大而灵活的图形匹配范例;它表示通过插入,删除和替换顶点和/或边线将一个图形转换为另一个图形的最低成本顺序。 精确图形编辑距离计算的一种广泛使用的方法是基于A算法。 为了克服遍历要存储的待解决方案的搜索树时遇到的高内存负...

CaptureItTechnology的博客 1416

从零到一:用MSC Nastran Patran搞定悬臂翼颤振分析(附完整模型文件)

本文详细介绍了使用MSC Nastran和Patran进行悬臂翼颤振分析的完整流程,从几何建模、网格划分到模态分析和颤振求解。通过具体案例讲解关键参数设置和操作技巧,帮助工程师掌握气动弹性分析的核心方法,并附赠完整模型文件供实践参考。

weixin_42563415的博客 439

量子计算论文精讲 | 图编辑距离近似解探究

图表示能非常好的反映对象的属性与对象之间的关系,被广泛的应用在模式识别领域,而图匹配方法,作为实现图高效查询的重要方法之一被广泛的应用于生物信息学,图像分类,计算机网络等等领域。而图编辑距离(Graph Edit Distance,GED)是非常重要的图匹配问题,有良好得到容错率且可以应用于大量的图匹配相关领域之上。由于精确解GED问题的指数难度,越来越多的近似图编辑距离算法希望通过更快的时间来得到尽可能接近精确的图编辑距离。

2401_83053014的博客 2002

基于电子海图的水面无人艇全局路径规划

Research and Implementation of Global Path Planning for Unmanned Surface Vehicle Based on Electronic Chart (基于电子海图的水面无人艇全局路径规划)   该论文已经在ICMIR2017会议上发表,附上springer的文献地址 Research and Implementation of Gl...

weixin_30797199的博客 1590

VSAN数据救援实战:当26个虚拟机突然不可访问时我们做了什么?

本文深度复盘了一次由运维操作失误引发的VMware vSAN存储危机,导致26个虚拟机数据不可访问的实战救援过程。文章详细剖析了vSAN脑裂状态的诊断方法,分享了在官方支持受限时,如何结合社区智慧与自主分析,通过精准的底层命令干预和状态推理,最终成功恢复全部数据的破局思路与操作细节,为vSAN数据救援提供了宝贵经验。

weixin_35749786的博客 236

【论文逐句精读】SimGNN,图网络的标准处理流程+NTN/PNC实现快速图相似度匹配

SimGNN,利用GCN搭建上层建筑,图神经网络实现图相似度的快速匹配

D_Ddd0701的博客 2697

PyCharm配置及使用Git教程

平时习惯在Windows下开发,但是我们又需要实时将远方仓库的代码clone到本地,也需要将自己修改的代码push到远端服务器。

酒酿小圆子呀~ 4万+

A星算法求解编辑距离

算法1:A星算法计算编辑距离 输入:非空属性图g1=(U1,E1)q=(V2,E2)g_{1}=(U_{1},E_{1}) q=(V_{2},E_{2})g1​=(U1​,E1​)q=(V2​,E2​).其中U1={u1,...,u∣U1∣},V1={v1,...,v∣v1∣}U_{1}=\{u_{1},...,u_{|U_{1}|}\},V_{1}=\{v_{1},...,v_{|v_{1}|}\}U1​={u1​,...,u∣U1​∣​},V1​={v1​,...,v∣v1​∣​}, 输出:从图g1g

CaptureItTechnology的博客 1435

第55篇:数据隐私保护技术盘点——差分隐私、同态加密与它们的坑(踩坑总结)

数据隐私保护是AI工程化中必须严肃对待的课题。差分隐私和同态加密是两把利器,但也都是“重武器”,使用不当反而会伤及自身。差分隐私像“模糊处理”,通过加噪来保证统计安全性,要小心管理隐私预算和效用权衡。同态加密像“保险箱里打算盘”,保证了计算的精确性,但必须承受巨大的性能和工程复杂度代价。我的建议是:从小规模实验开始,先用DP-SGD在MNIST/CIFAR-10等标准数据集上感受噪声与精度的关系;再用TenSEAL等易用的库尝试一个加密逻辑回归,体会密文膨胀和速度延迟。

ai_blue_pm的博客 278

⭐️VMwareWorkstation17.0虚拟机安装搭建Windows 7虚拟机(完整图文详细步骤含配置VMware Tools教程)

本教程为大家提供了从安装VMware Workstation 17.0开始,到在虚拟机上成功搭建Windows 7专业版系统的完整步骤。我们详细介绍了准备阶段所需的软件和硬件要求,以及在VMware中配置和安装Windows 7系统的每一步操作。此外,我们还特别提到了如何在虚拟机上配置VMware Tools,以便更好地与宿主机进行交互。 通过本教程的学习,读者不仅能够掌握在VMware Workstation 17.0上安装Windows 7虚拟机的技能,还能了解到如何配置虚拟机的硬件以及安装VMwar

Python老吕的博客 2万+

图神经网络应用——基于深度学习的图相似度计算(以SIMGNN为例的保姆级讲解)

图卷积网络应用——基于深度学习的图相似度计算保姆级讲解(以SIMGNN为例) 为啥想写这篇文章呢。。因为之前提到的图神经网络应用篇鸽了快一年了,把自己的研究方向做一个总结,并向其他同样研究方向的朋友做一个报告,如有错误,敬请指出。而且,这个研究方向人太少了,万望能借此引起更多人的关注与兴趣。废话不多说了,以下开启此篇正文。 图相似度计算(Graph Similarity)是图领域一个重要应用,与图片相似度(Image Similarity)不是一回事。针对图片相似度,比较常用的有:汉明距离、欧式距离、马氏距

weixin_40718664的博客 1万+

Qemu开发ARM篇-5、buildroot制作根文件系统并挂载启动

在上一篇中,我们编译了kernel,并在qemu上进行了运行,但到最后,在挂载根文件系统时候,挂载失败,这是因为我们还没有根文件系统,在本章中,我们将制作根文件系统。rootfs制作方式有很多方式,如busyBoxbuildrootYocto等,在该篇章中,我们使用buildroot来制作根文件系统,主要考虑到busyBox制作完还需要手动首改一些启动配置比较繁琐,而Yocto如果电脑配置不是很好,编译时间过长,比较麻烦。

sinat_33909696的博客 2464

图结构差异-4-Graph Edit Distance(GED,图编辑距离)

图编辑距离(GED)是衡量两个图结构相似性的核心指标,通过计算将一个图转换为另一个图所需的最少编辑操作代价来量化差异。GED具有表达能力强、可解释性好的优点,但计算复杂度极高(NP-hard),仅适用于小规模图(节点数<20)。典型应用包括分子结构比较、图检索和生成模型评估。实际应用中需根据图规模选择算法:小图用精确算法(如python-igraph),大图采用近似方法(如GNN预测)。GED的关键挑战在于代价函数设计和计算效率优化。

natide的专栏 1340

Qt5.15.2配置安卓环境

否则,将会跳转到github,你可以自行下载解压到你设置的目录中,然后Qt会自动检测到。以上所需的工具确实有些繁多,而且如果单独下载又涉及科学上网问题,版本问题十分麻烦,好在Qt Creator 4.12之后已经可以自动下载SDK工具,NDK,基础包,openssl,以及gradle等,十分省心。回到正题,无论通过在线安装的方式,安装时勾选了Android,还是编译的方式,编译时编译了Qt Android库,想要使用Qt开发安卓应用仍然需要一些其他工作,包括安装编译安卓项目需要的SDK,NDK等。

weixin_41392061的博客 978

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

自然语言处理笔记week2

在仅使用 a.insertion插入 b.deletion删除 c.substitution替代 这三种操作的情况下,从一个字符串到另一个字符串所需的最少操作数。如果想要求 edit distance,要先找两个字符串的对齐(alignment),如下为例:Edit distance 的一个应用:评价机器翻译的结果。我们想要得到,一句话的单词序列为w1w2wnw1​w2​...wn​的概率Pw1w2wnpωPw1​w2​...wn​。

Max_Uer的博客 826

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Speeding up Graph Edit Distance Computation with a Bipartite Heuristic 使用二部图匹配寻找顶点的最佳映射

文章简介 文章标题:Speeding up Graph Edit Distance Computation with a Bipartite Heuristic 文章链接 作者单位:Kaspar Riesen,伯尔尼大学 文章来源:International Workshop on Mining and Learning with Graphs(MLG 2007) 会议视频 ppt 1.他人代码...

CaptureItTechnology的博客 701

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

动态规划之编辑距离(Edit Distance)

原文地址:Dynamic Programming | Set 5 (Edit Distance) 已知两个字符串str1与str2,str1可以用下面的操作。得到最小的编辑数使得str1转变为str2。 a)insert b)remove c)replace 以上所有的操作成本是一样的。例子:Input: str1 = "geek", str2 = "gesek" Output: 1

K.Sun 2110

编辑距离(edit distance)[No. 68]

问题: 给定两个字符串 A和B,由A转成B所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符,插入一个字符,删除一个字符。 例如将A(kitten)转成B(sitting): sitten (k→s)替换 sittin (e→i)替换 sitting (→g)插入 思路: 如果我们用 i 表示当前字符串 A 的下标,j 表示当前字符串 B 的下标。 如果我们用d[i...

java开发指南博客 【转载】 292

Graph Similarity Search with Edit Distance Constraint in Large Graph Databases通过分支(Branch)构建编辑距离下界

文章简介: 文章标题:Graph Similarity Search with Edit Distance Constraint in Large Graph Databases 文章来源:CIKM 2013 作者单位: 郑伟国 北京大学 邹雷 北京大学 德克萨斯州湘联大学-泛美分校,美国爱丁堡 北京大学 王东 北京大学 赵冬岩 文章链接 文章正文: 分支距离的概念: 下界的提出: ...

CaptureItTechnology的博客 1130

编辑距离算法(Edit Distance)

写在前面的话今年是2016年的最后一天,外公,超级想你,我都没有想过你会不能继续再走到2017.我过得很好,每天都超级幸福,我现在在学校有一堆好朋友。哈哈,我总是能处在宇宙中心的那种人,没办法,您这么优秀才能教出这么好的孙女,好吧。我会好好学习的,我是第一女王嘛,永远都会是的。是吧,要做就做最好,要么就不做,我永远都要做你的骄傲。对了,我又有很多新朋友了,我们就像家人一样,就是每天都过得超级幸福,哈

编程小栈 6万+

Comparing stars: on approximating graph edit distance 2009

基于STAR星结构

CaptureItTechnology的博客 644

Edit Distance 算法实现及其设计原理

题目: Given two words word1 and word2, find the minimum number of operations required to convert word1 to word2. You have the following 3 operations permitted on a word: Insert a character Delete a ...

u011042985的专栏 707

编辑距离Edit distance

http://blog.youkuaiyun.com/pipisorry/article/details/46383947编辑距离Edit distance-序列之间的距离我们知道,汉明距离可以度量两个长度相同的字符串之间的相似度,如果要比较两个不同长度的字符串,不仅要进行替换,而且要进行插入与删除的运算,在这种场合下,通常使用更加复杂的编辑距离(Edit distance, Levenshtein dist

皮皮blog 6642

图神经网络(Graph neural networks)综述

论文链接:Graph Neural Networks:A Review of Methods and Applications Abstract:图(Graph)数据包含着十分丰富的关系型信息。从文本、图像这些非结构化数据中进行推理学习,例如句子的依赖树、图像的场景图等,都需要图推理模型。图网络(Graph neural networks)是一种链接主义模型,它靠图中节点之间的信息传递来捕捉图...

m0_38031488的博客 6万+

利用公共子图同构计算图编辑距离相似度(CSI_GED:An Efficient Approach for Graph Edit Similarity Computation ICDE2016)

用边映射的方法,寻找最佳匹配的路径

CaptureItTechnology的博客 4667
上一篇: 如何在图中寻找一条最佳的路径?
下一篇: Exact Computation of Graph Edit Distance for Uniform and Non-uniform Metric Edit Costs
RunningBComeOn
博客等级 码龄10年 133粉丝 161原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

RunningBComeOn

你的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值