본 논문은 그래프 편집 거리(GED)의 유연한 근사를 위한 새로운 학습 기반 접근 방식인 GEN을 제안합니다. GED는 그래프 유사성을 측정하는 기준이 되는 척도이지만, 기존의 학습 기반 방법들은 다양한 연산 비용에 적응하는 데 어려움을 겪고, 노드 수준의 거리에 의존하여 비효율적인 매핑 개선을 수행합니다. GEN은 연산 비용을 매칭 과정 이전에 통합하여 다양한 비용에 동적으로 적응하고, 그래프 수준의 종속성을 포착하는 사전적 지침 최적화 전략을 통해 반복적인 개선 없이 효율적인 매칭을 수행합니다. 실험 결과, GEN은 최첨단 방법에 비해 GED 근사 오차를 최대 37.8%, 추론 시간을 72.7%까지 줄이는 동시에 다양한 비용 설정과 그래프 크기에서 강건성을 유지합니다.
