論文の概要: Using weakest application conditions to rank graph transformations for graph repair

• arxiv url: http://arxiv.org/abs/2405.08788v2
• Date: Tue, 21 Jan 2025 17:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:52:31.425116
• Title: Using weakest application conditions to rank graph transformations for graph repair
• Title（参考訳）: グラフ修復における最弱応用条件を用いたグラフ変換のランク付け
• Authors: Lars Fritsche, Alexander Lauer, Maximilian Kratz, Andy Schürr, Gabriele Taentzer,
• Abstract要約: 一貫性は、モデルシステムにグラフとグラフ変換を使用する際の重要な関心事である。 最近の研究は、整合性へのアプローチを卒業性として提示している。 グラフの不整合の修復には、いわゆる障害表示と修復表示の応用条件を用いたグラフ変換規則を用いる。
• 参考スコア（独自算出の注目度）: 39.67553601719341
• License:
• Abstract: When using graphs and graph transformations to model systems, consistency is an important concern. While consistency has primarily been viewed as a binary property, i.e., a graph is consistent or inconsistent with respect to a set of constraints, recent work has presented an approach to consistency as a graduated property. This allows living with inconsistencies for a while and repairing them when necessary. For repairing inconsistencies in a graph, we use graph transformation rules with so-called {\em impairment-indicating and repair-indicating application conditions} to understand how much repair gain certain rule applications would bring. Both types of conditions can be derived from given graph constraints. Our main theorem shows that the difference between the number of actual constraint violations before and after a graph transformation step can be characterized by the difference between the numbers of violated impairment-indicating and repair-indicating application conditions. This theory forms the basis for algorithms with look-ahead that rank graph transformations according to their potential for graph repair. An evaluation shows that graph repair can be well supported by rules with these new types of application conditions in terms of effectiveness and scalability.
• Abstract（参考訳）: モデルシステムにグラフとグラフ変換を使用する場合、一貫性は重要な関心事である。 一貫性は、主にバイナリプロパティとして見なされてきたが、例えば、グラフは一連の制約に対して一貫性があるか一貫性がないが、最近の研究は、整合性へのアプローチを累積プロパティとして提示している。 これにより、しばらくの間不整合と生活し、必要に応じて修復することができる。 グラフの不整合を修復するためには、グラフ変換ルールをいわゆる {\em impairment-indicating and repair-indicating application conditions} で使用し、特定の規則適用によってどの程度の修復がもたらされるかを理解する。 どちらの条件も与えられたグラフの制約から導出することができる。 本定理は, グラフ変換の前後における実制約違反数の違いが, 障害適応の違反数と修復指示の適用条件との差によって特徴づけられることを示す。 この理論は、グラフ修復の可能性に応じてグラフ変換をランク付けするルックアヘッドを持つアルゴリズムの基礎を形成する。 評価により、グラフの修復は、これらの新しいタイプのアプリケーション条件で、有効性とスケーラビリティの観点から、ルールによって十分にサポートできることを示す。

関連論文リスト

• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
  本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。 このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。 MotifCARは高品質な反ファクトグラフを生成することができる。
  論文  参考訳（メタデータ） (2024-07-18T08:04:57Z)
• Rule-based Graph Repair using Minimally Restricted Consistency-Improving Transformations [65.268245109828]
  一貫性の維持と一貫性の向上という,一貫性の新たな概念を導入します。 本稿では, 規則に基づくグラフ修復手法を提案する。
  論文  参考訳（メタデータ） (2023-07-18T11:20:54Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• CLEAR: Generative Counterfactual Explanations on Graphs [60.30009215290265]
  グラフ上での対実的説明生成の問題について検討する。 グラフに関する反実的な説明を調査する研究はいくつかあるが、この問題の多くの課題はまだ十分に適応されていない。 本稿では,グラフレベルの予測モデルに対して,グラフ上の反実的説明を生成するための新しいフレームワークCLEARを提案する。
  論文  参考訳（メタデータ） (2022-10-16T04:35:32Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Graph2Graph Learning with Conditional Autoregressive Models [8.203106789678397]
  グラフ・ツー・グラフ学習のための条件付きオートレアモデルを提案する。 本稿では,グラフアルゴリズムの挑戦的部分グラフ予測実験を通じて,その表現能力について述べる。
  論文  参考訳（メタデータ） (2021-06-06T20:28:07Z)
• Contrastive Self-supervised Learning for Graph Classification [21.207647143672585]
  オーバーフィッティングを緩和するために,コントラスト型自己教師学習(CSSL)に基づく2つのアプローチを提案する。 最初のアプローチでは、CSSLを使用して、人間が提供したラベルに頼ることなく、広く利用可能なラベル付きグラフ上のグラフエンコーダを事前訓練する。 第2のアプローチでは、CSSLに基づく正規化器を開発し、教師付き分類タスクと教師なしCSSLタスクを同時に解決する。
  論文  参考訳（メタデータ） (2020-09-13T05:12:55Z)
• Graph topology inference benchmarks for machine learning [16.857405938139525]
  本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。 我々はまた、文学において最も顕著な技法のいくつかを対比している。
  論文  参考訳（メタデータ） (2020-07-16T09:40:32Z)

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。