論文の概要: Mining Path Association Rules in Large Property Graphs (with Appendix)

• arxiv url: http://arxiv.org/abs/2408.02029v1
• Date: Sun, 4 Aug 2024 13:39:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 15:35:21.817460
• Title: Mining Path Association Rules in Large Property Graphs (with Appendix)
• Title（参考訳）: 大規模財産図におけるマイニングパスアソシエーションルール
• Authors: Yuya Sasaki, Panagiotis Karras,
• Abstract要約: アソシエーション・ルール・マイニングはアイテムセットやサブストラクチャにおける規則的なパターンをうまく発見する。 パス・アソシエーション・ルール・マイニング(PARM)の問題点について紹介する。 我々は,探索空間を効果的に創り出すために,対単調性特性を利用した効率的でスケーラブルなアルゴリズムPIONEERを開発した。
• 参考スコア（独自算出の注目度）: 15.11494401922146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we mine frequent path regularities from a graph with edge labels and vertex attributes? The task of association rule mining successfully discovers regular patterns in item sets and substructures. Still, to our best knowledge, this concept has not yet been extended to path patterns in large property graphs. In this paper, we introduce the problem of path association rule mining (PARM). Applied to any \emph{reachability path} between two vertices within a large graph, PARM discovers regular ways in which path patterns, identified by vertex attributes and edge labels, co-occur with each other. We develop an efficient and scalable algorithm PIONEER that exploits an anti-monotonicity property to effectively prune the search space. Further, we devise approximation techniques and employ parallelization to achieve scalable path association rule mining. Our experimental study using real-world graph data verifies the significance of path association rules and the efficiency of our solutions.
• Abstract（参考訳）: エッジラベルと頂点属性を持つグラフから、頻繁なパスの正規性をどうやってマイニングできるのか? ルールマイニングの課題は、アイテムセットやサブストラクチャにおける規則パターンの発見に成功している。 しかし、私たちの知る限りでは、この概念は大きなプロパティグラフのパスパターンにはまだ拡張されていない。 本稿では,パス・アソシエーション・ルール・マイニング(PARM)の問題を紹介する。 グラフ内の2つの頂点間の任意の \emph{reachability path} に適用すると、PARM は頂点属性とエッジラベルによって識別される経路パターンが互いに共起する規則的な方法を発見する。 我々は,探索空間を効果的に創り出すために,対単調性特性を利用した効率的でスケーラブルなアルゴリズムPIONEERを開発した。 さらに、近似手法を考案し、並列化を用いて、スケーラブルな経路関連ルールマイニングを実現する。 実世界のグラフデータを用いた実験により,経路関連ルールの重要性と解の効率性を検証した。

関連論文リスト

• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Efficient Subgraph Isomorphism using Graph Topology [10.332465264309693]
  部分グラフ同型 (subgraph isomorphism) あるいは部分グラフマッチング (subgraph matching) は一般にNP完全問題と考えられる。 ほとんど全てのサブグラフマッチング手法はノードラベルを使用してノード-ノードマッチングを行う。 本稿では,ノードラベルのない不正確な場合において,サブグラフとフルグラフのノード対応を同定する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-15T02:45:05Z)
• Generalized Spectral Clustering for Directed and Undirected Graphs [4.286327408435937]
  本稿では、有向グラフと無向グラフの両方に対処できる一般化スペクトルクラスタリングフレームワークを提案する。 我々のアプローチは、グラフ関数の一般化されたディリクレエネルギーとして導入する新しい函数のスペクトル緩和に基づいている。 また、グラフ上の自然ランダムウォークの反復パワーから構築された正規化尺度の実用的なパラメトリゼーションを提案する。
  論文  参考訳（メタデータ） (2022-03-07T09:18:42Z)
• Shortest Paths in Graphs with Matrix-Valued Edges: Concepts, Algorithm and Application to 3D Multi-Shape Analysis [69.08838724594584]
  グラフ内の最短経路を見つけることは、コンピュータビジョンやグラフィックスにおける多くの問題に関係している。 本稿では,行列値のエッジを持つグラフにおいて,最短経路のグラフ理論を新たに導入する。
  論文  参考訳（メタデータ） (2021-12-08T08:23:37Z)
• Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
  フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。 既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。 そこで本研究では,学習可能なグラフマッチング手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T08:58:45Z)
• LCS Graph Kernel Based on Wasserstein Distance in Longest Common Subsequence Metric Space [22.215852332444904]
  パスとウォークのより包括的類似性を計算するグラフカーネルを提案する。 また、グラフのより深い特徴を抽出するために、最適輸送理論と組み合わせる。 提案手法は多くの最先端グラフカーネル手法に勝る。
  論文  参考訳（メタデータ） (2020-12-07T11:59:14Z)
• 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)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。