Resumen: La coincidencia de subgrafos, una piedra angular de la detección de patrones relacionales en dominios que van desde sistemas bioquímicos hasta análisis de redes sociales, enfrenta importantes desafíos computacionales debido al espectacular crecimiento del espacio de búsqueda. Los métodos existentes abordan este problema dentro de un marco de filtrado, ordenamiento y enumeración, en el que la etapa de enumeración compara recursivamente el gráfico de consulta con los subgrafos candidatos del gráfico de datos. Sin embargo, la falta de conocimiento de los patrones estructurales de subgrafos conduce a una costosa enumeración de fuerza bruta, lo que motiva de manera crítica la necesidad de una navegación inteligente en la coincidencia de subgrafos. Para abordar este desafío, proponemos Neural Graph Navigation (NeuGN), un marco neuroheurístico que transforma la enumeración de fuerza bruta en una búsqueda guiada neuronal mediante la integración de mecanismos de navegación neuronal en el proceso de enumeración central. Al preservar las garantías de integridad basadas en heurísticas e incorporar inteligencia neuronal, NeuGN reduce significativamente los textit{primeros pasos de coincidencia} hasta en un 98,2 % en comparación con los métodos de última generación en seis conjuntos de datos del mundo real.
Publicado originalmente en export.arxiv.org el 25 de noviembre de 2025.
Ver fuente original
