新型AI模型通过消除噪音显著提升子图匹配准确率

日本熊本大学研究团队开发出一款前景广阔的深度学习模型，该模型显著提升了子图匹配的准确性——这是从药物研发到自然语言处理等多个领域的关键任务。

　　

熊本大学研究团队开发出一款前景广阔的深度学习模型，该模型显著提升了子图匹配的准确性——这是从药物研发到自然语言处理等多个领域的关键任务。

子图匹配涉及在大型复杂网络中识别特定模式（或称子图）。然而传统图神经网络（GNN）在处理数据中"多余"或不相关节点干扰匹配过程时，往往存在准确性问题。

为解决这一难题，由熊本大学科学技术学部天崎元树教授和木山真人助理教授领衔的团队，开发出创新AI模型ENDNet（冗余节点决策网络），该模型能识别并消除这些冗余节点的影响。

ENDNet包含三大核心机制：

1. 采用非规范化匹配矩阵进行冗余节点检测，通过将无关节点的特征值设为零来抑制其影响

2. 单向传播机制可锐化查询图与数据图之间的特征对齐

3. 共享图卷积采用sigmoid函数改进特征提取的新型卷积方法

在四个开放数据集上的测试表明，ENDNet性能超越现有模型，在COX2数据集上准确率高达99.1%，较之前方法的91.6%有显著提升。消融研究证实ENDNet每个组件都对高性能有所贡献。

"ENDNet为子图匹配在生物网络、分子结构和社会图谱等现实数据的应用开启了令人兴奋的可能性，"木山助理教授表示，"我们也期待未来能将其扩展到更大规模的数据集。"

源代码已在GitHub开源，鼓励AI社区进一步开发。

ENDNet: Extra-Node Decision Network for Subgraph Matching