論文の概要: Approximate Network Motif Mining Via Graph Learning
- arxiv url: http://arxiv.org/abs/2206.01008v1
- Date: Thu, 2 Jun 2022 12:15:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 14:27:09.870439
- Title: Approximate Network Motif Mining Via Graph Learning
- Title(参考訳): グラフ学習による近似ネットワークモチーフマイニング
- Authors: Carlos Oliver, Dexiong Chen, Vincent Mallet, Pericles Philippopoulos,
Karsten Borgwardt
- Abstract要約: ネットワークモチーフとしても知られる頻繁で構造的な部分グラフは、多くのグラフデータセットの貴重な特徴である。
任意のデータセットでモチーフ集合を特定するという高い計算複雑性は、多くの実世界のデータセットでの使用を制限している。
データセットの統計特性を自動で活用することで、機械学習のアプローチは複雑さのあるいくつかのタスクにおいて有望であることが示されている。
- 参考スコア(独自算出の注目度): 4.2873412319680035
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frequent and structurally related subgraphs, also known as network motifs,
are valuable features of many graph datasets. However, the high computational
complexity of identifying motif sets in arbitrary datasets (motif mining) has
limited their use in many real-world datasets. By automatically leveraging
statistical properties of datasets, machine learning approaches have shown
promise in several tasks with combinatorial complexity and are therefore a
promising candidate for network motif mining. In this work we seek to
facilitate the development of machine learning approaches aimed at motif
mining. We propose a formulation of the motif mining problem as a node
labelling task. In addition, we build benchmark datasets and evaluation metrics
which test the ability of models to capture different aspects of motif
discovery such as motif number, size, topology, and scarcity. Next, we propose
MotiFiesta, a first attempt at solving this problem in a fully differentiable
manner with promising results on challenging baselines. Finally, we demonstrate
through MotiFiesta that this learning setting can be applied simultaneously to
general-purpose data mining and interpretable feature extraction for graph
classification tasks.
- Abstract(参考訳): ネットワークモチーフとしても知られる頻繁で構造的な部分グラフは多くのグラフデータセットの貴重な特徴である。
しかし、任意のデータセット(モチーフマイニング)でモチーフ集合を識別する計算の複雑さは、多くの実世界のデータセットでの使用を制限している。
データセットの統計特性を自動で活用することにより、機械学習アプローチは組合せ複雑性を伴ういくつかのタスクにおいて有望であることが示され、ネットワークモチーフマイニングの候補となる。
本研究では,モチーフマイニングを目的とした機械学習手法の開発を促進する。
ノードラベリングタスクとしてモチーフマイニング問題の定式化を提案する。
さらに,モチーフ数,サイズ,トポロジ,不足など,モデルがモチーフ発見のさまざまな側面を捉える能力をテストするためのベンチマークデータセットと評価指標を構築した。
次に,本研究は,本課題を完全微分可能な方法で解こうとする最初の試みであるモチーフイスタを提案する。
最後に,この学習環境がグラフ分類タスクの汎用データマイニングと解釈可能な特徴抽出に同時に適用可能であることを示す。
関連論文リスト
- Homomorphism Counts for Graph Neural Networks: All About That Basis [9.014929555228916]
グラフニューラルネットワークは、グラフ上の不変関数を学習するためのアーキテクチャである。
グラフ内の特定のパターンを数えることのできないことは、そのような制限の中心にある。
我々は、対象パターンの「基底」に全ての構造の準同型数を含むよりきめ細かいアプローチを論じる。
論文 参考訳(メタデータ) (2024-02-13T16:57:06Z) - A Model-Agnostic Graph Neural Network for Integrating Local and Global
Information [2.772447941143207]
グラフニューラルネットワーク(GNN)は、さまざまなグラフにフォーカスしたタスクにおいて、有望なパフォーマンスを実現している。
既存のGNNには、ブラックボックスの性質による結果の解釈可能性の欠如と、さまざまな順序の表現を学べないという2つの大きな制限がある。
本稿では,様々な順序の情報を逐次統合し,高次隣人から知識を抽出し,影響力のあるコンパクトグラフ構造を同定して有意義かつ解釈可能な結果を提供する,モデル非依存型グラフニューラルネットワーク(MaGNet)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-23T19:07:03Z) - End-to-End Learning on Multimodal Knowledge Graphs [0.0]
本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。
我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。
この結果から,任意の知識グラフからエンド・ツー・エンドのマルチモーダル学習が可能であることが示唆された。
論文 参考訳(メタデータ) (2023-09-03T13:16:18Z) - MTS2Graph: Interpretable Multivariate Time Series Classification with
Temporal Evolving Graphs [1.1756822700775666]
入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。
UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
論文 参考訳(メタデータ) (2023-06-06T16:24:27Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2023-05-31T11:04:53Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳(メタデータ) (2021-01-16T16:18:43Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳(メタデータ) (2020-12-16T13:48:48Z) - Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。
GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文 参考訳(メタデータ) (2020-06-23T04:13:23Z)
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。