Graph Edit Distance (GED)를 기반으로 하는 그래프 유사성 계산(GSC)은 중요한 그래프 관련 작업이며, GNN 기반 GED 근사치가 등장했습니다. 기존 GNN 기반 접근 방식은 노드 임베딩을 학습하고 쌍별 노드 유사도를 집계하여 최종 유사성을 추정하지만, 노드 중심 매칭 방식과 GED의 핵심 원리 사이에 불일치가 존재합니다. 이로 인해 최적 정렬을 위한 전반적인 구조적 대응을 포착하지 못하고, 잘못된 노드 수준 신호로 인해 편집 비용이 잘못 할당되는 두 가지 제한이 발생합니다. GCGSim은 그래프 수준 매칭 및 하위 구조 수준 편집 비용에 초점을 맞춘 GED 일관적인 그래프 유사성 학습 프레임워크입니다. GCGSim은 4개의 벤치마크 데이터 세트에서 최첨단 성능을 달성했으며, 하위 구조 표현을 효과적으로 학습합니다.
