Recientemente, un equipo de investigación de la Universidad de Kumamoto en Japón desarrolló un modelo de aprendizaje profundo llamado ENDNet (Extra Node Decision Network), que muestra ventajas significativas en tareas de coincidencia de subgrafos. Los resultados de la investigación se publicaron en la revista "IEEE Access".

La coincidencia de subgrafos es una tecnología clave en áreas como el desarrollo de fármacos y el procesamiento del lenguaje natural, pero las redes neuronales de grafos tradicionales a menudo tienen un rendimiento deficiente al manejar redes complejas con nodos irrelevantes. El equipo liderado por el profesor Motoki Nakamizo y el profesor asistente Masato Kiyama de la Facultad de Ciencias de la Universidad de Kumamoto resolvió este problema a través de tres mecanismos innovadores: detección de nodos irrelevantes mediante matrices de coincidencia no normalizadas, alineación de características mejorada mediante propagación unidireccional, y método de convolución de grafos compartidos con función sigmoide.

El profesor asistente Masato Kiyama dijo: "ENDNet abre nuevas posibilidades para aplicar la coincidencia de subgrafos a datos reales como redes biológicas y estructuras moleculares". Los datos de prueba muestran que el modelo alcanza una precisión del 99,1% en el conjunto de datos COX2, un aumento del 7,5% respecto a métodos tradicionales.

El equipo de investigación ha publicado el código fuente en la plataforma GitHub para promover la investigación y desarrollo adicional en el campo de la inteligencia artificial. Esta tecnología promete aplicaciones amplias en biomedicina, análisis de redes sociales y otras áreas.