Subgraph Neural Networks
Harvard University（哈佛大学）；MIT（麻省理工学院）
图的深度学习方法在许多节点级和图级预测任务上都取得了卓越的性能。然而，尽管方法的扩散及其成功，但流行的图神经网络（GNN）忽略了子图，使得子图预测任务在许多有影响力的应用中具有挑战性。此外，子图预测任务提出了几个独特的挑战：子图可以有非平凡的内部拓扑结构，但也携带相对于它们存在的底层图的位置和外部连接信息的概念。在这里，我们介绍SubGNN，一个子图神经网络学习解开子图表示。我们提出了一种新的子图路由机制，子图的组件和随机采样的锚补丁从底层图之间传播神经消息，产生高度准确的子图表示。SubGNN指定了三个通道，每个通道都旨在捕获子图拓扑的一个不同方面，我们提供了经验证据，这些通道编码了它们的预期属性。我们设计了一系列新的合成和真实世界的子图数据集。在八个数据集上进行子图分类的实证结果表明，SubGNN实现了相当大的性能提升，比强基线方法（包括节点级和图级GNN）的性能高出19.8%。SubGNN在具有挑战性的生物医学数据集上表现得非常好，其中子图具有复杂的拓扑结构，甚至包括多个断开的组件。
2020-11-06 cs.LG cs.SI stat.ML
Target Circuit Matching in Large-Scale Netlists using GNN-Based Region Prediction
KAIST, Republic of Korea（韩国科学技术院）；SK hynix, Republic of Korea（SK hynix）
针对大规模网表中的目标电路匹配问题，提出利用 GNN 预测高概率目标区域并直接提取全局子图嵌入，显著提升了时间效率与预测效果。
2025-07-18 cs.AI cs.LG
Graph Partitioning and Graph Neural Network based Hierarchical Graph Matching for Graph Similarity Computation
Chongqing University（重庆大学）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
图相似性计算旨在预测一对图之间的相似性得分，以促进下游应用，例如找到与查询化合物或Fewshot 3D动作识别相似的最相似的化合物。近年来，基于神经网络的图相似度计算模型被提出，这些模型或基于图级交互，或基于节点级比较。然而，当图中的节点数量增加时，不可避免地会带来表示能力的降低或计算成本的增加。受此观察的启发，我们提出了一种基于图划分和图神经网络的模型，称为PSimGNN，以有效地解决这个问题。具体地说，每个输入图被划分成一组子图，以直接提取局部结构特征。其次，设计了一种新的带有注意力机制的图神经网络，将每个子图映射为一个嵌入向量。这些子图对中的一些被自动选择用于节点级比较，以补充具有细粒度信息的子图级嵌入。最后，粗粒度的子图之间的相互作用信息和细粒度的比较信息之间的不同子图预测最终的相似性得分。在具有不同图大小的图数据集上的实验结果表明，PSimGNN在使用近似图编辑距离（GED）作为图相似性度量的图相似性计算任务中优于最先进的方法。
2021-01-05 cs.LG cs.SI stat.ML
Dual Explanations via Subgraph Matching for Malware Detection
Canadian Institute for Cybersecurity (CIC)（加拿大网络安全研究所）；University of New Brunswick（新不伦瑞克大学）
提出双重原型驱动的可解释框架SubMatch，通过子图匹配技术将GNN重要区域与已知行为模式对齐，在保持高检测性能的同时显著提升恶意软件分析的可解释性。
2025-04-29 cs.CR cs.LG
Finding Heterophilic Neighbors via Confidence-based Subgraph Matching for Semi-supervised Node Classification
Seoul National University（首尔国立大学）；Korea Institute of Energy Technology（韩国能源技术研究院）
本文提出一种两阶段算法，通过基于置信度比率的子图匹配识别并利用异配邻居的边系数，改进GNN标签传播机制，以缓解过度平滑并提升半监督节点分类性能。
2023-04-12 cs.LG cs.SI
Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks
针对现有图表示方法结构刻画粗糙的问题，提出GOMKCN，以子图为结构因子，用GOMK卷积算子度量子图与可学习滤波器的相似性，实现解耦表示，提升图模式挖掘的准确性与可解释性。
2025-04-23 cs.LG
Combining Stochastic Explainers and Subgraph Neural Networks can Increase Expressivity and Interpretability
Sapienza University of Rome（罗马第一大学）；UiT the Arctic University of Norway（挪威北极大学）；NORCE Norwegian Research Centre（NORCE挪威研究中心）
本文提出联合预测图类别与可解释稀疏子图的新框架，在保持与随机子图提取策略相当准确率的同时提升GNN表达能力和可解释性。
2023-04-14 cs.LG
Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching
Westlake University（西湖大学）；MindrankAI；Yale University（耶鲁大学）
本文提出非参数子图匹配框架MatchExplainer，通过匹配图间共同基序识别解释性子图，并设计MatchDrop增强范式以缓解假阳性采样问题，实验证明其优于现有参数化方法。
2023-11-01 cs.AI cs.LG
Explainability in subgraphs-enhanced Graph Neural Networks
UiT the Arctic University of Norway（挪威北极大学）；Sapienza University of Rome（罗马第一大学）；NORCE Norwegian Research Centre（挪威NORCE研究中心）
近年来，为了提高图神经网络（GNNs）的表达能力，引入了子图增强的图神经网络（SGNNs）。新范式建议使用从输入图中提取的子图来提高模型的表达能力，但额外的复杂性加剧了GNN中已经具有挑战性的问题：解释它们的预测。在这项工作中，我们将PGExplainer（GNN的最新解释器之一）改编为SGNN。所提出的解释器考虑了所有不同子图的贡献，并且可以产生人类可以解释的有意义的解释。我们在真实和合成数据集上进行的实验表明，我们的框架成功地解释了SGNN在图分类任务上的决策过程。
2023-01-19 cs.LG
Subgraph Frequency Distribution Estimation using Graph Neural Networks
Stanford University（斯坦福大学）；Australian National University（澳大利亚国立大学）；The University of Hong Kong（香港大学）；Rutgers University（罗格斯大学）；Massachusetts Institute of Technology（麻省理工学院）
小的子图（graphlets）是描述大型网络基本单元的重要特征。子图频率分布的计算在生物学和工程学等领域有着广泛的应用。不幸的是，由于这个任务的固有复杂性，大多数现有的方法是计算密集型和低效的。在这项工作中，我们提出了GNNS，一种新的代表性的学习框架，利用图神经网络的采样子图有效地估计其频率分布。我们的框架包括一个推理模型和一个生成模型，用于学习节点、子图和图类型的分层嵌入。通过学习的模型和嵌入，子图以高度可扩展和并行的方式进行采样，然后基于这些采样的子图进行频率分布估计。最终，我们的方法实现了可比的准确性和显着的加速比现有的方法相比，三个数量级。
2022-07-14 cs.AI cs.CV cs.LG
On Explainability of Graph Neural Networks via Subgraph Explorations
Texas A&M University（德克萨斯农工大学）；University of Science and Technology of China（中国科学技术大学）；West China Hospital（华西医院）
我们考虑解释图神经网络（GNNs）的预测问题，否则被认为是黑箱。现有的方法总是集中在解释图的节点或边的重要性，而忽略了图的子结构，这是更直观和人类理解。在这项工作中，我们提出了一种新的方法，称为SubgraphX，通过识别重要的子图来解释GNN。给定一个训练好的GNN模型和一个输入图，我们的SubgraphX通过使用蒙特卡罗树搜索有效地探索不同的子图来解释它的预测。为了使树搜索更有效，我们建议使用Shapley值作为子图重要性的度量，它也可以捕获不同子图之间的相互作用。为了加快计算，我们提出了有效的近似方案来计算图形数据的Shapley值。我们的工作代表了第一次尝试通过明确和直接地识别子图来解释GNN。实验结果表明，我们的SubgraphX实现了显着改善的解释，同时保持计算在一个合理的水平。
2021-05-31 cs.AI cs.LG
Iteratively Refined Early Interaction Alignment for Subgraph Matching based Graph Retrieval
UC San Diego（加州大学圣地亚哥分校）；IIT Bombay（印度理工学院班加罗尔）
提出IsoNet++，一种基于早期交互和迭代精化对齐的图神经网络，通过节点对伙伴交互改进子图匹配图检索，显著提升性能。
2025-10-26 cs.LG
Union Subgraph Neural Networks
Nanyang Technological University（南洋理工大学）
图神经网络（GNNs）被广泛应用于图的表示学习。vanilla GNN的表达能力通过1维Weisfeiler-Leman（1-WL）测试而有上限，因为它们通过迭代消息传递对有根子树进行操作。在本文中，我们通过注入从一种新型子结构中提取的相邻连接信息来增强GNN。我们首先调查不同种类的连通性存在于一个局部邻域，并确定一个子结构称为联盟子图，这是能够捕捉到完整的图片的1跳邻域的边缘。然后，我们设计了一个基于最短路径的子结构描述子，它具有三个很好的性质，可以有效地编码在并集子图的高阶连通性。通过注入编码的邻居连通性，我们提出了一种新的模型，即Union Subgraph神经网络（UnionSNN），它被证明是严格更强大的1-WL在区分非同构图。此外，来自并集子图的本地编码也可以作为插件注入到任意消息传递神经网络（MPNN）和基于Transformer的模型中。在图级和节点级任务的18个基准上进行的大量实验表明，UnionSNN的性能优于最先进的基线模型，具有竞争力的计算效率。将我们的本地编码注入现有模型能够将性能提高高达11.09%。我们的代码可在https://github.com/AngusMonroe/UnionSNN上获得。
2024-01-09 cs.LG
On the Expressive Power of Subgraph Graph Neural Networks for Graphs with Bounded Cycles
Massachusetts Institute of Technology（麻省理工学院）；Sierra Canyon School（塞拉峡谷学校）
本文研究 $k$-跳子图 GNN 的表达能力，证明其可逼近无长于 $2k+1$ 环的图上的任意置换不变/等变连续函数，并通过实验验证聚合距离与环大小的关系。
2025-02-06 cs.LG
SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism
Beihang University（北京航空航天大学）；Macquarie University（麦考瑞大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
图表示学习越来越受到人们的关注。然而，大多数现有的研究融合了所有的结构特征和节点属性，以提供一个总体视图的图，忽略了更精细的子结构的语义，并遭受解释之谜。本文提出了一种新的分层子图级选择和嵌入的图神经网络的图分类，即糖，学习更多的判别子图表示和响应的解释性的方式。SUGAR通过提取显著子图作为原始图的代表部分来重建草图图，以揭示子图级模式。为了在不需要先验知识的情况下自适应地选择攻击子图，我们提出了一种增强池机制，提高了模型的泛化能力。为了区分图之间的子图表示，我们提出了一个自我监督的互信息机制，鼓励子图嵌入要注意的全局图的结构特性，最大限度地提高他们的互信息。在六个典型的生物信息学数据集上进行的大量实验表明，模型质量得到了显着和一致的改善，具有竞争力的性能和可解释性。
2021-05-24 cs.AI cs.LG
MAG-GNN: Reinforcement Learning Boosted Graph Neural Network
Washington University in St. Louis（圣路易斯华盛顿大学）；JD Explore Academy（京东探索研究院）；Peking University（北京大学）
本文提出 MAG-GNN，通过强化学习从候选子图集合中迭代搜索最优子集，以常数级复杂度替代完整子图枚举，在保持表达能力的同时显著提升子图 GNN 的效率与性能。
2023-10-29 cs.LG
Deconfounding to Explanation Evaluation in Graph Neural Networks
University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）；Rice University（莱斯大学）
图神经网络（GNNs）的可解释性旨在回答“为什么GNN做出了某种预测？“，这对解释模型预测至关重要。特征属性框架将GNN的预测分布到其输入特征（例如，边），识别有影响力的子图作为解释。当评估解释时（即，子图重要性），标准方法是仅基于子图来审核模型预测。然而，我们认为，一个分布偏移存在于全图和子图之间，导致分布外的问题。此外，通过深入的因果分析，我们发现OOD效应作为混杂因素，它带来了子图重要性和模型预测之间的虚假关联，使评估不太可靠。在这项工作中，我们提出了Deconfounded子图评估（DSE），它评估了解释子图对模型预测的因果影响。虽然分布偏移一般是棘手的，我们采用前门调整，并引入一个代理变量的子图。具体来说，我们设计了一个生成模型来生成符合数据分布的合理代理，从而接近子图重要性的无偏估计。实证结果证明了DSE在解释保真度方面的有效性。
2022-02-01 cs.LG
Self-supervised Subgraph Neural Network With Deep Reinforcement Walk Exploration
WASEDA University（早稻田大学）
本文提出RWE-SGNN框架，将子图神经网络与图神经网络解释器的生成方法结合，通过强化行走探索过程高效提取重要子结构，以数据驱动方式提升图表示学习的表达能力和性能。
2025-02-03 cs.LG
Iterative Graph Neural Network Enhancement via Frequent Subgraph Mining of Explanations
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of Bonn（波恩大学）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；HUN-REN-SZTE Research Group on AI（HUN-REN-塞格德大学人工智能研究组）
本研究提出迭代自改进算法EEGL，通过挖掘GNN解释子图的频繁模式生成特征以增强模型，解决了1-WL算法子图扩展的相关公开问题，在合成与真实数据上预测性能更优、节点区分能力更强。
2024-03-12 cs.LG
Exact Subgraph Isomorphism Network with Mixed $L_{0,2}$ Norm Constraint for Predictive Graph Mining
Nagoya Institute of Technology（名古屋技术大学）
本文提出EIN模型，结合精确子图枚举与神经网络，通过混合L0,2范数约束实现高辨别能力和可解释性的图级预测。
2026-02-10 cs.LG
Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection
Texas A&M University（德州农工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Georgia（佐治亚大学）；Rice University（莱斯大学）；Samsung Electronics America（三星电子美国公司）；Samsung Electronics（三星电子）
图神经网络（GNNs）在链接预测（GNNLP）任务中获得了显著的成功。现有的努力首先对整个数据集的子图进行编码，然后通过利用由固定子图引起的邻域结构来应用GNN对边缘表示进行编码。GNNLP方法的突出性显著依赖于adhoc子图。由于现实世界图中的节点连通性是复杂的，所以对于所有边，一个共享子图是有限的。因此，子图的选择应该针对不同的边进行个性化。然而，执行个性化的子图选择是不平凡的，因为潜在的选择空间呈指数增长的边缘的规模。此外，在链接预测场景中，在训练期间推理边缘不可用，因此选择过程需要是归纳的。为了弥合这一差距，我们引入了个性化子图模型（PS2）作为一个即插即用的框架，在执行GNNLP时自动，个性化和归纳地识别不同边缘的最佳子图。PS2被实例化为可以以不同方式有效解决的双层优化问题。将GNNLP模型与PS2相结合，我们提出了一个全新的GNNLP训练角度：首先识别边缘的最佳子图;然后通过使用采样子图专注于训练推理模型。综合实验证实了我们提出的方法在各种GNNLP骨干（GCN，GraphSage，NGCF，LightGCN和SEAL）和各种基准（Planetoid，OGB和Recommendation数据集）中的有效性。我们的代码可在\url{https://github.com/qiaoyu-tan/PS2}上公开获取
2022-12-23 cs.IR cs.LG
Measuring and Sampling: A Metric-guided Subgraph Learning Framework for Graph Neural Network
University of California, Davis（加州大学戴维斯分校）；Florida State University（佛罗里达州立大学）
图神经网络（GNN）在学习既保留节点属性又保留图结构信息的强大节点表示方面表现出令人信服的性能。然而，许多GNN在设计有更深的网络结构或处理大型图时会遇到有效性和效率方面的问题。已经提出了几种采样算法来改进和加速GNN的训练，但它们忽略了理解GNN性能增益的来源。对图数据内部信息的度量可以帮助采样算法在去除冗余信息甚至噪声的同时保留高价值信息。在本文中，我们提出了一个度量引导（MeGuide）子图学习框架的GNN。MeGuide采用两个新的指标：特征平滑度和连接失败距离来指导子图采样和基于小批量的训练。特征平滑度用于分析节点的特征以保留最有价值的信息，而连接失效距离用于度量结构信息以控制子图的大小。我们证明了MeGuide在多个数据集上训练各种GNN的有效性和效率。
2021-12-30 cs.AI cs.LG
Pre-training Graph Neural Networks on Molecules by Using Subgraph-Conditioned Graph Information Bottleneck
The Catholic University of Korea（韩国天主教大学）
本研究提出一种名为S-CGIB的子图条件化图信息瓶颈方法，用于在无人工标注或先验知识的情况下预训练分子图神经网络，通过识别图核心和重要子图生成具有区分度的图级别表示，并在多个分子数据集上验证了其优越性。
2024-12-20 cs.AI cs.LG
Hyperedge Modeling in Hypergraph Neural Networks by using Densest Overlapping Subgraphs
University of Windsor（温莎大学）
针对超图神经网络的超边建模问题，提出基于凝聚贪心枚举的最稠密重叠子图求解算法以鲁棒构建超图，节点分类任务性能显著优于现有方法。
2024-09-16 cs.AI cs.LG cs.SI
Nested Graph Neural Networks
Peking University（北京大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Purdue University（普渡大学）
图神经网络（GNN）在图分类中的成功与Weisfeiler-Lehman（1-WL）算法密切相关。通过迭代地将相邻节点特征聚合到中心节点，1-WL和GNN都获得了对中心节点周围的有根子树进行编码的节点表示。然后将这些有根子树表示合并为单个表示以表示整个图。然而，有根子树表示非树图的表达能力有限。为了解决这个问题，我们提出了嵌套图神经网络（NGNNs）。NGNN用有根子图而不是有根子树来表示图，因此共享许多相同子图（而不是子树）的两个图往往具有相似的表示。关键是使每个节点表示编码围绕它的子图而不是子树。为了实现这一点，NGNN提取每个节点周围的局部子图，并将基本GNN应用于每个子图以学习子图表示。然后通过合并这些子图表示来获得全图表示。我们提供了一个严格的理论分析表明，NGNN是严格比1-WL更强大。特别是，我们证明了NGNN可以区分几乎所有的r-正则图，其中1-WL总是失败。此外，与其他更强大的GNN不同，NGNN只引入了比标准GNN更高的恒定因子时间复杂度。NGNN是一个即插即用的框架，可以与各种基本GNN组合。我们在几个基准数据集上测试了具有不同基础GNN的NGNN。NGNN一致地提高了它们的性能，并在所有数据集上显示出极具竞争力的性能。
2021-10-25 cs.LG
Subgraphormer: Unifying Subgraph GNNs and Graph Transformers via Graph Products
Technion - Israel Institute of Technology（以色列理工学院）；Purdue University（普渡大学）；NVIDIA Research（英伟达研究院）
本文提出Subgraphormer架构，通过揭示子图GNN与乘积图的联系，将其与图Transformer的注意力及位置编码统一，在多个数据集上显著提升性能。
2024-05-28 cs.LG
MotifExplainer: a Motif-based Graph Neural Network Explainer
Iowa State University（爱荷华州立大学）
研究了图神经网络的解释问题。大多数现有的GNN解释方法识别最重要的边或节点，但没有考虑子结构，这是更重要的图数据。考虑子图的唯一方法是尝试搜索所有可能的子图，并确定最重要的子图。然而，识别的子图可能不是经常性的或统计上重要的。在这项工作中，我们提出了一种新的方法，称为MotifExplainer，通过识别图中的重要图案，经常性和统计上显著的模式来解释GNN。与基于节点、边和规则子图的方法相比，我们提出的基于图案的方法可以提供更好的人类可理解的解释。给定一个输入图和一个预训练的GNN模型，我们的方法首先使用精心设计的模体提取规则提取图中的模体。然后，我们通过将motif输入到预先训练好的GNN中来生成motif嵌入。最后，我们采用基于注意力的方法来确定最有影响力的图案作为最终预测结果的解释。在合成数据集和真实数据集上的实验研究表明了该方法的有效性。
2023-02-27 cs.LG
Subgraph Concept Networks: Concept Levels in Graph Classification
University of Cambridge（剑桥大学）
本文提出子图概念网络，通过软聚类节点概念嵌入获取子图和图级概念，提升图分类的可解释性与模型准确性。
2026-04-20 cs.LG
Subgraph Matching Kernels for Attributed Graphs
我们提出了基于子图匹配的图核，即子图之间的结构保持双射。虽然最近提出了基于公共子图的内核（Wale等人，2008; Shervashidze等人，2009）一般不能应用于属性图，我们的方法允许通过一个灵活的评分方案比较顶点和边属性的内核来评价子图的映射。我们发现，子图匹配内核推广了几个已知的内核。为了计算核，我们提出了一种图论算法，该算法受到Levi（1973）观察到的两个图的公共子图和它们的乘积图中的团之间的经典关系的启发。令人鼓舞的实验结果的分类任务的现实世界的图。
2012-06-27 cs.LG stat.ML
HMSG: Heterogeneous Graph Neural Network based on Metapath Subgraph Learning
College of Computer Science, Chongqing University（重庆大学计算机学院）；School of Computer Science, Shaanxi Normal University（陕西师范大学计算机学院）
针对现有异构图模型处理同构和异构邻居信息不够全面的问题，提出 HMSG 模型，通过分解元路径子图并独立聚合消息，全面捕获结构、语义和属性信息，在多项任务上取得最优性能。
2021-09-07 cs.AI cs.LG cs.SI
LiSA: Leveraging Link Recommender to Attack Graph Neural Networks via Subgraph Injection
Keio University（keio大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出LiSA框架，通过注入孤立子图并误导链接推荐器，实现同时欺骗推荐器与节点分类器的对抗攻击，利用双重代理模型和双层优化提升攻击效果。
2025-02-25 cs.AI cs.LG
Uncertainty-aware Efficient Subgraph Isomorphism using Graph Topology
University of Michigan Transportation Research Institute（密歇根大学交通研究所）
提出一种基于图拓扑的两步子图同构方法，通过提取最小唯一拓扑子集和共识算法实现不精确匹配，具有亚线性效率和噪声鲁棒性。
2025-06-23 cs.AI cs.CV cs.LG
Charting the Design Space of Neural Graph Representations for Subgraph Matching
Department of Computer Science and Engineering, IIT Bombay（计算机科学与工程系，印度理工学院班加罗尔）
本研究首次系统探索子图匹配神经图表示的设计空间，通过统一框架分析交互、对齐和评分网络等维度，发现新颖组合能显著提升性能，并总结出通用设计原则。
2025-10-27 cs.LG
Neural Graph Navigation for Intelligent Subgraph Matching
NeuGN通过神经导航机制显著提升子图匹配效率，减少首次匹配步骤达98.2%
2025-11-22 cs.AI cs.LG
Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching
Zhejiang Gongshang University（浙江工商大学）；University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Hong Kong University of Science and Technology（香港科技大学）
子图匹配是使用图结构数据的各个领域中的基本问题。子图匹配算法枚举查询图q在数据图G中的所有同构嵌入。匹配算法的一个重要分支利用回溯搜索方法，该方法递归地扩展中间结果，遵循查询顶点的匹配顺序。它已被证明，匹配顺序起着至关重要的作用，这些回溯的子图匹配算法的时间效率。近年来，许多用于查询顶点排序的高级技术（即，匹配顺序生成）来根据预先设置的启发式规则减少没有希望的中间结果。本文首次将强化学习（RL）和图神经网络（GNNs）技术应用于子图匹配算法中，生成高质量的匹配顺序。该模型不使用固定的枚举法生成匹配顺序，而是充分利用图的信息，采用基于自适应学习的规则来确定查询顶点的顺序，从而显著减少了冗余枚举数。在强化学习框架的帮助下，我们的模型能够考虑长期的利益，而不是只考虑当前排序步骤的局部信息。在六个真实数据图上的大量实验表明，我们提出的匹配顺序生成技术可以减少多达两个数量级的查询处理时间相比，国家的最先进的算法。
2022-03-30 cs.AI cs.DB cs.LG
Neural Subgraph Isomorphism Counting
HKUST（香港科技大学）；Huawei Technologies Co. Ltd（华为技术有限公司）
本文研究了一个新的图学习问题：学习计算子图同构。与节点分类、链接预测等传统的图学习问题不同，子图同构计数是NP完全的，需要更多的全局推理来监督整个图。为了使其可扩展的大规模的图形和模式，我们提出了一个学习框架，它增加了不同的表示学习架构和迭代出席模式和目标数据图，以记忆子图同构的全局计数。我们开发了小图（每个图中的子图同构<= 1，024）和大图（每个图中的子图同构<= 4，096）集来评估不同的模型。诱变化合物数据集MUTAG也被用于评估神经模型并证明迁移学习的成功。虽然基于学习的方法是不精确的，但与原始NP完全问题的指数时间相比，我们能够在线性时间内概括计算大型模式和数据图。实验结果表明，基于学习的子图同构计数可以在误差可接受的情况下，将传统算法VF 2的速度提高10- 1000倍。基于微调的领域自适应也显示了我们的方法在现实世界中的应用的实用性。
2020-06-18 cs.LG stat.ML
PharmacoMatch: Efficient 3D Pharmacophore Screening via Neural Subgraph Matching
University of Vienna（维也纳大学）；Faculty of Life Sciences, University of Vienna（维也纳大学生命科学学院）
针对3D药效团筛选在超大规模分子库中计算成本高的问题，提出基于神经子图匹配与对比学习的 PharmacoMatch，在零样本预筛选中实现显著加速并保持相当性能。
2025-03-14 cs.AI cs.LG q-bio.QM
Detecting Small Query Graphs in A Large Graph via Neural Subgraph Search
University of California Los Angeles（加州大学洛杉矶分校）
最近的进展已经表明，使用强化学习和搜索来解决NP难图相关任务的成功，例如旅行推销员优化，图编辑距离计算等。然而，仍然不清楚如何能够有效和准确地检测大型目标图中小查询图的出现，这是图数据库搜索，生物医学分析，社会群体发现，该任务被称为子图匹配，其本质上执行查询图和大型目标图之间的子图同构检查。解决这个经典问题的一种有前途的方法是“学习搜索”范式，其中强化学习（RL）代理设计有学习策略，以引导搜索算法快速找到解决方案，而无需任何已解决的问题监督实例。然而，对于子图匹配的特定任务，尽管用户作为输入给出的查询图通常很小，但目标图通常要大几个数量级。它对神经网络的设计提出了挑战，并可能导致解决方案和奖励稀疏。在本文中，我们提出了NSUBS与两个创新来应对挑战：（1）一个新的编码器-解码器神经网络架构，动态计算在每个搜索状态的查询和目标图之间的匹配信息;（2）一个新的前瞻损失函数用于训练策略网络。在六个大的真实目标图上的实验表明，NSUBS可以显着提高子图匹配性能。
2022-09-29 cs.LG
Approximate Subgraph Matching with Neural Graph Representations and Reinforcement Learning
IEEE Publication Technology Group（IEEE出版技术组）
本文提出基于强化学习的近似子图匹配算法，利用图变压器提取图表示并结合PPO优化策略，提升匹配效果与效率。
2026-03-18 cs.AI cs.LG
Towards Accurate Subgraph Similarity Computation via Neural Graph Pruning
Meta；Tufts University（塔夫茨大学）；Virginia Tech（弗吉尼亚理工大学）
子图相似性搜索是图搜索的核心问题之一，它涉及到目标图是否近似包含查询图。这个问题最近被神经方法所触及。然而，目前的神经方法不考虑修剪目标图，虽然修剪是至关重要的，在传统的计算子图的相似性。在神经方法中应用修剪的一个障碍是{修剪的离散性}。在这项工作中，我们将图修剪转换为节点重新标记的问题，然后将其放松为可微问题。基于这一思想，我们进一步设计了一种新的神经网络来近似一种类型的子图距离：子图编辑距离（SED）。{In特别地，我们使用神经结构构建修剪组件，并且整个模型可以端到端地优化。在模型的设计中，我们提出了一个注意力机制来利用查询图的信息，指导目标图的修剪。此外，我们开发了一个多头修剪策略，使模型可以更好地探索多种方式修剪目标图。该模型在七个基准数据集上建立了新的最先进的结果。对该模型的分析表明，该模型可以合理地修剪目标图进行SED计算。我们算法的实现在我们的Github repo上发布：https://github.com/tufts-ml/Prune4SED。
2022-10-19 cs.AI cs.LG stat.ML
xNeuSM: Explainable Neural Subgraph Matching with Graph Learnable Multi-hop Attention Networks
Ho Chi Minh City University of Technology (HCMUT)（胡志明市理工大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国家大学）；Griffith University（格里菲斯大学）
本文提出xNeuSM可解释神经子图匹配方法，通过图可学习多跳注意力网络GLeMA自适应学习每个节点的注意力衰减参数，在提升预测准确率高达34%的同时实现比精确算法快七倍以上的查询速度。
2023-12-04 cs.AI cs.LG
Position-Aware Subgraph Neural Networks with Data-Efficient Learning
Shanghai Jiao Tong University（上海交通大学）
图上的数据高效学习（GEL）在现实世界的应用中至关重要。现有的GEL方法专注于学习有用的表示节点，边缘，或整个图形与“小”标记的数据。但是子图预测的数据有效学习问题还没有被探索。该问题的挑战在于以下几个方面：1）子图学习位置特征以获取其所在基图中的结构信息是至关重要的。虽然现有的子图神经网络方法能够学习解纠缠的位置编码，但总体计算复杂性非常高。2)GEL的主流图扩充方法，包括基于规则的、基于样本的、自适应的和自动化的方法，不适合于扩充子图，因为子图包含更少的节点，但包含更丰富的信息，如位置、邻居和结构。子图扩充更容易受到不期望的扰动。3)子图中只包含基图中的少量节点，这导致子图表示学习由这些"热“节点支配的潜在”偏差“问题。相比之下，剩余的节点不能被完全学习，这降低了子图表示学习的泛化能力。在本文中，我们的目标是解决上述挑战，并提出了一个位置感知的数据有效的学习框架的子图神经网络称为PADEL。具体而言，我们提出了一种新的节点位置编码方法，是锚自由，并设计了一种新的生成子图增强方法的基础上扩散变分子图自编码器，我们提出了探索性和可利用的意见，子图对比学习。在三个真实世界数据集上的实验结果表明，我们提出的方法优于最先进的基线。
2022-12-08 cs.LG
Equivariant Neural Primal-Dual Assignment for Maximum Common Edge Subgraphs
针对最大公共边子图匹配，提出等变神经原始-对偶分配（ENPDA），学习共享策略以快速处理新图对，无需重训练，速度提升约三个数量级，并在多个基准上显著提高准确率。
2026-09-29 cs.LG
X-RLflow: Graph Reinforcement Learning for Neural Network Subgraphs Transformation
University of Cambridge（剑桥大学）
针对张量图超级优化中贪心搜索的局限，提出基于无模型强化学习与图神经网络的X-RLflow方法，通过迭代子图重写优化计算图，性能优于现有最优系统，在transformer类架构上最高提升40%。
2023-04-28 cs.AI cs.LG
GraDE: A Graph Diffusion Estimator for Frequent Subgraph Discovery in Neural Architectures
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；BenchCouncil (International Open Benchmark Council)（国际开放基准委员会）；University of Chinese Academy of Sciences（中国科学院大学）；Northwestern University（西北大学）
GraDE通过图扩散模型在神经架构中高效发现频繁子图，实现比采样方法高114%的排名准确性和30倍的频率提升。
2026-02-03 cs.AI cs.LG
Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data
The Hong Kong Polytechnic University（香港理工大学）；Xiamen University（厦门大学）
本文提出多视图子图神经网络Muse，通过信息论机制从输入空间和潜在空间识别局部结构与长程依赖子图，以自监督方式缓解标注数据稀缺问题，提升节点分类性能。
2024-04-19 cs.AI cs.LG
SHINE: SubHypergraph Inductive Neural nEtwork
Feinberg School of Medicine（范伯格医学院）；Northwestern University（西北大学）
超图神经网络可以对图的节点之间的多路连接进行建模，这在现实世界的应用中是常见的，例如遗传医学。特别是，遗传途径或基因集编码由多个基因驱动的分子功能，自然表示为超边缘。因此，超图引导的嵌入可以捕获学习表示中的函数关系。现有的超图神经网络模型往往侧重于节点级或图级推理。在现实世界的应用中，学习超图的子图的强大表示是一个未满足的需求。例如，癌症患者可以被视为患者中携带突变的基因的子图，而所有基因都由对应于代表特定分子功能的途径的超边连接。为了准确的归纳子图预测，我们提出了子超图归纳神经网络（SHINE）。SHINE使用信息遗传途径，将分子功能编码为超边，将基因连接为节点。SHINE对端到端子图分类和超图节点相似性正则化的目标进行了联合优化。SHINE使用强烈的双重注意力信息传递同时学习基因和途径的表示。通过子图注意层聚合学习的表示，并用于训练多层感知器进行归纳子图推理。我们使用大规模NGS和策展数据集，针对各种最先进的（超）图神经网络、XGBoost、NMF和多基因风险评分模型评估了SHINE。SHINE显著优于所有比较模型，并产生了具有功能见解的可解释疾病模型。
2022-10-13 cs.AI cs.LG q-bio.GN
