论文阅读笔记：Graph Matching Networks for Learning the Similarity of Graph Structured Objects

论文做的是用于图匹配的神经网络研究，作者做出了两点贡献:

1. 证明GNN可以经过训练，产生嵌入graph-leve的向量可以用于相似性计算。
2. 作者提出了一种新的基于注意力的跨图匹配机制GMN(cross-graph attention-based matching mechanism)，来计算出一对图之间的相似度评分。（核心创新点）

论文证明了该模型在不同领域的有效性，包括具有挑战性的基于控制流图(control-flow-graph)的函数相似性搜索问题、软件系统漏洞检测。实验分析表明，图匹配模型不仅能够在上下文相似性学习的背景下挖掘结构信息，并且性能优于hand-engineered的baseline。

主要内容

提出两种图的相似性计算方法：一个是基于GNN传统的图嵌入(Graph Embedding Models)方法，另一个是GMN(Graph Matching Networks)。

1.Graph Embedding Models

主要思路是用传统GNN把全图表征成一个向量，然后利用图的向量来计算图与图之间的相似性。模型由：编码层、传播层、聚合层构成。

编码层： 通过多层感知器将节点和边的特征进行编码

传播层： 在迭代过程中传播节点之间的特征信息