日本熊本大学研究团队近日开发出一款名为ENDNet(额外节点决策网络)的深度学习模型，该模型在子图匹配任务中展现出显著优势。研究成果已发表于《IEEE Access》期刊。

子图匹配是药物研发和自然语言处理等领域的关键技术，传统图神经网络在处理含无关节点的复杂网络时往往表现欠佳。熊本大学理工学院尼崎元树教授和木山正人助理教授领导的团队通过三种创新机制解决了这一难题：非规范化匹配矩阵检测无关节点、单向传播增强特征对齐、以及采用S型函数的共享图卷积方法。

木山正人助理教授表示："ENDNet为将子图匹配应用于生物网络、分子结构等现实数据开辟了新可能。"测试数据显示，该模型在COX2数据集上的准确率达到99.1%，较传统方法提升7.5个百分点。

研究团队已将源代码在GitHub平台公开，以促进人工智能领域的进一步研究开发。该技术有望在生物医药、社交网络分析等领域获得广泛应用。

更多信息： Masaki Shirotani 等人，ENDNet：用于子图匹配的额外节点决策网络，IEEE Access (2025)。期刊信息： IEEE Access