論文の概要: BigCarl: Mining frequent subnets from a single large Petri net
- arxiv url: http://arxiv.org/abs/2103.11342v1
- Date: Sun, 21 Mar 2021 08:46:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 14:14:58.888864
- Title: BigCarl: Mining frequent subnets from a single large Petri net
- Title（参考訳）: BigCarl: 1つの大きなペトリネットから頻繁なサブネットをマイニング
- Authors: Ruqian Lu, Shuhan Zhang
- Abstract要約: 本研究は,1つの大きなペトリネットからの採掘を頻繁に行う。
我々は、ビッグネットグラフの標準ラベルを作成するために最小限のアプローチを取る。
- 参考スコア（独自算出の注目度）: 3.1165587039942877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While there have been lots of work studying frequent subgraph mining, very
rare publications have discussed frequent subnet mining from more complicated
data structures such as Petri nets. This paper studies frequent subnets mining
from a single large Petri net. We follow the idea of transforming a Petri net
in net graph form and to mine frequent sub-net graphs to avoid high complexity.
Technically, we take a minimal traversal approach to produce a canonical label
of the big net graph. We adapted the maximal independent embedding set approach
to the net graph representation and proposed an incremental pattern growth
(independent embedding set reduction) way for discovering frequent sub-net
graphs from the single large net graph, which are finally transformed back to
frequent subnets. Extensive performance studies made on a single large Petri
net, which contains 10K events, 40K conditions and 30 K arcs, showed that our
approach is correct and the complexity is reasonable.
- Abstract（参考訳）: 頻繁なサブグラフマイニングの研究は数多く行われているが、ペトリネットのような複雑なデータ構造から頻繁にサブネットマイニングについて論じている出版物は非常に稀である。
本稿では,単一の大きなペトリネットからマイニングするサブネットについて検討する。
我々は、ペトリネットをネットグラフ形式に変換し、高複雑性を避けるために頻繁にサブネットグラフをマイニングするというアイデアに従う。
技術的には、我々はビッグネットグラフの標準ラベルを作成するために最小トラバーサルアプローチを取る。
我々は、最大独立埋め込みセットアプローチをネットグラフ表現に適用し、単一の大きなネットグラフから頻繁なサブネットグラフを発見できるインクリメンタルなパターン成長(独立埋め込みセット還元)手法を提案し、最終的に頻繁なサブネットに変換した。
10Kの事象、40Kの条件、30Kのアークを含む1つの大きなペトリネット上での大規模な性能研究は、我々のアプローチが正しく、複雑さが妥当であることを示した。
関連論文リスト
- Representation Learning for Frequent Subgraph Mining [64.32430554934021]
Subgraph Pattern Miner (SPMiner) は、大きなターゲットグラフに頻繁なサブグラフを見つけるための新しいニューラルネットワークである。
5ノードと6ノードのモチーフでは、SPMinerは正確な列挙法よりも100倍速く、最も頻繁なモチーフをほぼ完全に識別できる。
SPMinerは、10ノードの頻繁なモチーフを確実に特定できる。
論文 参考訳（メタデータ） (2024-02-22T08:11:22Z) - Learning from A Single Graph is All You Need for Near-Shortest Path
Routing in Wireless Networks [8.22181379329857]
無線ネットワークの標準モデルにおいて,任意のランダムグラフに一般化しながら,単一のグラフから得られるデータサンプルを数個だけ必要とするような局所ルーティングポリシーの学習アルゴリズムを提案する。
そこで我々はディープニューラルネットワーク(DNN)を訓練し、局所的なルーティングポリシーを効率的に学習することで、全ペアに近い経路問題を解決する。
論文 参考訳（メタデータ） (2023-08-18T21:35:45Z) - HUGE: Huge Unsupervised Graph Embeddings with TPUs [6.108914274067702]
グラフ埋め込み(Graph Embedding)は、グラフ内のノードを連続的に表現するプロセスである。
高帯域幅メモリを利用した高性能グラフ埋め込みアーキテクチャを提案する。
実・合成大規模データセット上での埋め込み空間の品質を検証する。
論文 参考訳（メタデータ） (2023-07-26T20:29:15Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - GPNet: Simplifying Graph Neural Networks via Multi-channel Geometric
Polynomials [2.521781613847069]
グラフニューラルネットワーク(GNN)は、グラフ構造化データにおける現実の問題を回避するための有望なアプローチである。
これらのモデルは、通常、過度に滑らかな、過度に適合する、訓練しにくい、強いホモフィリー仮定の4つの基本的な制限のうちの少なくとも1つを持つ。
本稿では, (D1) 拡張畳み込み, (D2) マルチチャネル学習, (D3) 自己注意スコア, (D4) サインファクタなどのキーデザインの集合を同定し,異なるタイプの学習を促進する。
理論的にモデルを解析し、自己注意スコアを調整することにより、様々なグラフフィルタを近似できることを示す。
論文 参考訳（メタデータ） (2022-09-30T13:03:57Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Large-Scale Network Embedding in Apache Spark [1.3769786711365102]
本稿では,Apache Sparkを用いた大規模グラフへのネットワーク埋め込みのための効率的かつ効率的な分散アルゴリズムを提案する。
提案手法は数時間で数十億のエッジを持つグラフを処理でき、最先端のアプローチよりも少なくとも4倍高速であることを示す。
論文 参考訳（メタデータ） (2021-06-20T04:42:24Z) - PSpan:Mining Frequent Subnets of Petri Nets [3.1147456971856813]
PSpanはペトリネットをネットグラフに変換し、サブネットグラフマイニングを行い、その結果を頻繁に変換する。
C/Eネット以外にも、他のペトリネットサブクラスにも適用される。
論文 参考訳（メタデータ） (2021-01-28T12:56:48Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - Improving Graph Neural Network Expressivity via Subgraph Isomorphism
Counting [63.04999833264299]
グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。
Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。
グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
論文 参考訳（メタデータ） (2020-06-16T15:30:31Z) - Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。
古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。
また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
論文 参考訳（メタデータ） (2020-02-19T11:04:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。