1.参照文書

2.概要論文

　　紙は、思考の新しい方法を提案 - 問題を解決するためのマルコフ連鎖のグラフマッチング、彼はただSMのスペクトル法の理論[3]を説明する観点から、「基本バージョン」ランダムウォークとランダムウォークを提案しました。[2]その後、RRMに改善のアイデアによると、実験は効果はまだかなり良好であることを示しています。

3.この論文の紹介

　　3.1問題の説明の伝統

　　伝統的なグラフマッチングの問題は、最適化の目的関数は以下のとおりです。

　　この制限は見ることができIQP wは類似性マトリックスの二つのグラフである問題（二次プログラム整数）、、xはマトリクス量子化（VEC）の列に整列されています

　　問題の3.2マルコフ角度の説明

　　これは、伝統的なグラフマッチングは、マルコフ確率過程の質問に尋ねた方法である地元紙の核心です。我々は通常のフォームワット類似度行列を見るためにフィールドを見て：

図は、関係なく、意味座標は2つの図に2点が想定されている表し、それぞれが行、列を見出すことができる（G）で観察よう1aとの対応関係、すなわち。私たちの究極の目標は、対応の同様のケースを見つけることですが、ここでの援助は、類似度行列です。

　　さて、著者は、図示のように、ランダムウォークモデルにそれを変換するために、類似度行列からです。

図2つのP、ノードとしてGRW上の点との対応関係のQ、および値（すなわち、注文ポイントとの対応関係）属性GRW、非ための類似度マトリックスとして類似性行列の対角線上側GRW設定値の2つの頂点の対角線として属性（例えば、13--22）。その結果、我々は全体のグラフのマッチング問題ながら、変更計画上のランダムウォークとなり、類似度行列の形がGRWになっ変えていく、選択プロセスの最終目標は、GRW上のポイントとなっています - - （GRWで信頼性の高いノードを選択）GRW内のノードを選択するには

　　そして、どのようにサイトの選択は、紙は、[2]を描画します。

　　3.3伝達行列

　　マルコフ過程は、それを構築する方法、そしてここで対応する、転送行列（確率行列）が必要？各≥0（出会う）、各行は1 - 最初のクリアは、必ずW最初から、すなわち遷移行列にそれを変換します。

　　かつての条件については、一般的な考え方は次のとおりです。

すなわち、それぞれ、分流数を課し、その後求め各行W、及び - 不利な点が本明細書に記載することは明らかであるこの方法は、確率点と一致していない拡大され、すなわち、類似度行列のサイズは、分割することによって、本来の類似度値でした増幅が小さいマッチング確率値を有していたのに対し、類似度の値が大きい（例えば、102; 306; ----> 0 1/3 2/3である）、弱体化します

　　著者らは、MAX（SUM（と））で割った元の類似度値より大きなポイントを保護するため、このアプローチことれる各行列Wを用います。アイデアは、その後、合計マルコフ（ライン）= 1つの機能を満たすために、あなたは伝達行列を変換する必要があり、そうです：

Pは、DMAX = MAX（SUM（および行））伝達行列、D（ベクトル）であり、各列は最初に第2の線が下にある間に左の式は、それは、転送行列式およびライン1を満たすことですPは、上記のように、添字つまり式の右辺正方行列、元々XP、xの変換が導入されるようにPが、複数であるので（X xabs）Pであり、nは遷移の数を表すことを保証するために

　　導入xabs、実際には、遷移確率が正確* NM + 1ノット代わりのnmであるP（0000 .... 0001）、であるため、（吸収する吸収点）仮想ノードを追加して、再度このGRWを変換することです点は、自己遷移確率が1で、他のポイントに転送されません。

　　以下に、図の腹筋に導入されます。

　　3.4マルコフ連鎖の定常状態を解決するのはなぜ結果です

　　最終紙は、転送行列Pを算出定常X（定常状態マルコフ連鎖）を介して行われ、Iはxの初期分布を均等に分配する（べき）ので考える（すなわち、ランダムウォークスタート（1 / MN * MN 1 / MN * MN .....））、およびGRWエッジは類似性を表す類似度値は、さらに、ペアワイズの代わりにP行列（すなわち、確率表現）、次いで得られたX、（その後、元に戻すバック）に変換されますどのノードがスコアに一致し、最良一致スコア行列x還元バックを選択するためにハンガリーのアルゴリズムを使用します

　　定常状態（遷移行列のn乗）が存在しなければならない理由としては：

紙を読んで「再重み付けランダムグラフマッチングのためにウォーク」