論文の概要: A Survey on Machine Learning Solutions for Graph Pattern Extraction
- arxiv url: http://arxiv.org/abs/2204.01057v3
- Date: Sat, 3 Jun 2023 00:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 05:31:46.721953
- Title: A Survey on Machine Learning Solutions for Graph Pattern Extraction
- Title（参考訳）: グラフパターン抽出のための機械学習ソリューションに関する調査
- Authors: Kai Siong Yow and Ningyi Liao and Siqiang Luo and Reynold Cheng and
Chenhao Ma and Xiaolin Han
- Abstract要約: 本稿では,機械学習手法を用いて取り組んだ5つの有名なサブグラフ問題について概説する。
これらは、部分グラフ同型(カウントとマッチングの両方)、最大共通部分グラフ、コミュニティ検出、コミュニティ検索問題である。
我々は,各問題に対する非学習型アルゴリズムについて検討し,簡単な議論を行う。
- 参考スコア（独自算出の注目度）: 17.911041497412132
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A subgraph is constructed by using a subset of vertices and edges of a given
graph. There exist many graph properties that are hereditary for subgraphs.
Hence, researchers from different communities have paid a great deal of
attention in studying numerous subgraph problems, on top of the ordinary graph
problems. Many algorithms are proposed in studying subgraph problems, where one
common approach is by extracting the patterns and structures of a given graph.
Due to the complex structures of certain types of graphs and to improve overall
performances of the existing frameworks, machine learning techniques have
recently been employed in dealing with various subgraph problems. In this
article, we present a comprehensive review on five well known subgraph problems
that have been tackled by using machine learning methods. They are subgraph
isomorphism (both counting and matching), maximum common subgraph, community
detection and community search problems. We provide an outline of each proposed
method, and examine its designs and performances. We also explore
non-learning-based algorithms for each problem and a brief discussion is given.
We then suggest some promising research directions in this area, hoping that
relevant subgraph problems can be tackled by using a similar strategy. Since
there is a huge growth in employing machine learning techniques in recent
years, we believe that this survey will serve as a good reference point to
relevant research communities.
- Abstract（参考訳）: サブグラフは、与えられたグラフの頂点と辺のサブセットを使用して構築される。
部分グラフに遺伝するグラフの性質は多数存在する。
したがって、異なるコミュニティの研究者は、通常のグラフ上の多くのサブグラフ問題の研究に多くの注意を払ってきた。
多くのアルゴリズムが部分グラフ問題の研究において提案され、あるグラフのパターンや構造を抽出するアプローチが一般的である。
ある種のグラフの複雑な構造と既存のフレームワークの全体的な性能向上のため、機械学習技術は近年、様々なサブグラフ問題に対処するために採用されている。
本稿では,機械学習手法を用いて取り組んだ5つの既知のサブグラフ問題の包括的レビューを行う。
これらは部分グラフ同型(カウントとマッチングの両方)、最大共通部分グラフ、コミュニティ検出、コミュニティ検索問題である。
提案手法について概説し,その設計と性能について検討する。
また,各問題に対する非学習型アルゴリズムについても検討し,簡単な議論を行う。
次に,この分野で有望な研究方向を提案し,同様の戦略を用いて関連する部分グラフ問題に取り組むことを期待する。
近年,機械学習技術の採用が著しい成長を遂げているため,本調査は関連研究コミュニティの参考となるだろうと考えている。
関連論文リスト
- Exploring Graph Classification Techniques Under Low Data Constraints: A
Comprehensive Study [0.0]
ノードとエッジの摂動、グラフの粗大化、グラフ生成など、グラフデータの増大のためのさまざまなテクニックをカバーしている。
本稿は、これらの領域を深く探求し、さらに下位分類に着目する。
低データシナリオで直面するグラフ処理問題の解決に使用できる、幅広いテクニックの配列を提供する。
論文 参考訳（メタデータ） (2023-11-21T17:23:05Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and
Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。
ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。
コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文 参考訳（メタデータ） (2022-11-23T11:31:11Z) - Learning node embeddings via summary graphs: a brief theoretical
analysis [55.25628709267215]
グラフ表現学習は多くのグラフマイニングアプリケーションにおいて重要な役割を果たすが、大規模なグラフの埋め込みを学習することは依然として問題である。
最近の研究は、グラフの要約(つまり、より小さな要約グラフへの埋め込みを学習し、元のグラフのノード埋め込みを復元することでスケーラビリティを向上させる。
本稿では,導入したカーネル行列に基づく3つの特定の埋め込み学習手法について,詳細な理論的解析を行う。
論文 参考訳（メタデータ） (2022-07-04T04:09:50Z) - Graphon based Clustering and Testing of Networks: Algorithms and Theory [11.3700474413248]
ネットワークに価値のあるデータは、幅広いアプリケーションで遭遇し、学習の課題を提起する。
本稿では,2つのクラスタリングアルゴリズムについて述べる。
さらに、グラフ2サンプルテスト問題に対する提案した距離の適用性について検討する。
論文 参考訳（メタデータ） (2021-10-06T13:14:44Z) - Graph Learning: A Survey [38.245120261668816]
本稿では,グラフ学習の現状について概観する。
グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。
テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
論文 参考訳（メタデータ） (2021-05-03T09:06:01Z) - Data driven algorithms for limited labeled data learning [35.193000364580975]
類似ノードが類似するラベルを持つ可能性が高いという暗黙の仮定の下で,ラベルのない例がグラフで接続されるグラフベースの手法に注目した。
本稿では,このグラフを学習するための新しいデータ駆動アプローチを提案し,分布形式とオンライン学習形式の両方において強力な形式的保証を提供する。
論文 参考訳（メタデータ） (2021-03-18T22:19:19Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳（メタデータ） (2020-10-20T05:54:31Z) - Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。
まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。
そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-06-24T11:37:33Z) - A Survey of Adversarial Learning on Graphs [59.21341359399431]
本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。
具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。
我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
論文 参考訳（メタデータ） (2020-03-10T12:48:00Z)
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。