使用神经集合发散的通用成本图编辑距离

提出了一种新颖的神经网络方法SimGNN，通过可学习的嵌入函数和注意力机制优化图形相似性计算，降低误差率并提高计算速度。

GraphSim模型通过直接匹配节点嵌入解决图相似性计算问题，在多个数据集上取得了最先进的性能。

提出了一种混合方法，将基于搜索的技术与深度嵌入模型结合，显著简化了A*搜索过程，保持了准确性。

基于神经网络的子图相似性搜索方法结合剪枝技术和注意力机制，优化了子图编辑距离计算，取得了最新的最优结果。

DiffAtt图级融合模块显著优于节点级融合嵌入，REDRAFT算法在多个基准数据集上表现优异。

ORE是一种迭代编辑方法，通过编辑高得分边缘和重新嵌入图来减少边缘选择偏见，性能提升50%。

MATA*是一种数据驱动混合方法，用于近似图编辑距离计算，具有良好的可扩展性。

EUGENE是一种高效的代数无监督方法，准确计算图的编辑距离，消除了对真实编辑距离的需求。

GGD度量用于评估图神经网络的泛化性和稳定性，能够有效量化图之间的差异。

对齐正则化（AReg）技术提高了图相似度计算的学习质量，增强了学习表示的表达能力。