Fugu-MT 論文翻訳(概要): cgSpan: Closed Graph-Based Substructure Pattern Mining

論文の概要: cgSpan: Closed Graph-Based Substructure Pattern Mining

arxiv url: http://arxiv.org/abs/2112.09573v1
Date: Fri, 17 Dec 2021 15:27:20 GMT
ステータス: 処理完了
システム内更新日: 2021-12-20 16:09:18.126886
Title: cgSpan: Closed Graph-Based Substructure Pattern Mining
Title（参考訳）: cgspan: クローズドグラフベースのサブ構造パターンマイニング
Authors: Zevin Shaul, Sheikh Naaz
Abstract要約: gSpanは、頻繁な部分グラフをマイニングする一般的なアルゴリズムである。 cgSpanは、閉じた部分グラフのみをマイニングするgSpan拡張である。 cgSpanは、クローズドグラフマイニングのための最初の公開実装である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: gSpan is a popular algorithm for mining frequent subgraphs. cgSpan (closed graph-based substructure pattern mining) is a gSpan extension that only mines closed subgraphs. A subgraph g is closed in the graphs database if there is no proper frequent supergraph of g that has equivalent occurrence with g. cgSpan adds the Early Termination pruning method to the gSpan pruning methods, while leaving the original gSpan steps unchanged. cgSpan also detects and handles cases in which Early Termination should not be applied. To the best of our knowledge, cgSpan is the first publicly available implementation for closed graphs mining
Abstract（参考訳）: gSpanは頻繁な部分グラフをマイニングする一般的なアルゴリズムである。 cgSpan(グラフベースの部分構造パターンマイニング)は、閉部分グラフのみをマイニングするgSpan拡張である。グラフデータベースに部分グラフ g が閉じている場合、g と等価な g の頻繁な上グラフが存在しない。 cgSpanは、gSpanプルーニングメソッドにEarly Terminationプルーニングメソッドを追加し、元のgSpanステップは変更されていない。 cgSpanはまた、Early Terminationを適用しないケースを検出し、処理する。我々の知る限りでは、cgSpanはクローズドグラフマイニングのための最初の公開実装である。

関連論文リスト

Cayley Graph Propagation [0.0]
トルーニケーションはケイリーグラフ構造の膨張特性に有害であることを示す。代わりに、完全なケイリーグラフ構造上の情報を伝播する手法であるCGPを提案する。
論文参考訳（メタデータ） (2024-10-04T13:32:34Z)
A Flexible, Equivariant Framework for Subgraph GNNs via Graph Products and Graph Coarsening [18.688057947275112]
グラフグラフニューラルネットワーク(サブグラフGNN)は,グラフをサブグラフの集合として表現することで,メッセージパスGNNの表現性を向上する。以前のアプローチでは、ランダムにまたは学習可能なサンプリングによって選択されたサブグラフのサブセットのみを処理することを提案していた。本稿では,これらの問題に対処する新しいSubgraph GNNフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-13T16:29:06Z)
Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-21T07:58:03Z)
DiP-GNN: Discriminative Pre-Training of Graph Neural Networks [49.19824331568713]
GNNのパワーを高めるために,グラフニューラルネットワーク(GNN)事前学習法が提案されている。一般的な事前トレーニング手法の1つは、エッジのパーセンテージをマスクアウトすることであり、GNNはそれらを回復するように訓練されている。筆者らのフレームワークでは, 識別器が見るグラフは, マスキングエッジの比率を回復できるため, 元のグラフとよく一致している。
論文参考訳（メタデータ） (2022-09-15T17:41:50Z)
cgSpan: Pattern Mining in Conceptual Graphs [0.0]
概念グラフ (conceptual Graphs, CG) は、グラフに基づく知識表現形式である。本稿では,CG頻出パターンマイニングアルゴリズムであるcgSpanを提案する。 a)関係ノードの固定アリティ、(b)シグネチャの固定アリティ、(b)シグネチャで指定された最大型よりも一般的な概念型パターンの回避、(c)パターンマイニングプロセス中にそれらを適用する推論規則の3種類を含む。
論文参考訳（メタデータ） (2021-10-26T14:28:06Z)
GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。ガスは大規模グラフ上で最先端のパフォーマンスに達する。
論文参考訳（メタデータ） (2021-06-10T09:26:56Z)
Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか? 本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
論文参考訳（メタデータ） (2021-06-08T16:10:36Z)
GraphCrop: Subgraph Cropping for Graph Classification [36.33477716380905]
我々は,サブ構造欠落の現実的なノイズをシミュレートするtextbfGraphCrop (Subgraph Cropping) データ拡張法を開発した。グラフ分類のための有効な構造コンテキストを保存することにより、GNNはグローバルな意味でグラフ構造の内容を理解することを奨励する。
論文参考訳（メタデータ） (2020-09-22T14:05:41Z)
Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文参考訳（メタデータ） (2020-07-12T12:06:17Z)
Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。