論文の概要: Scalable Substructure Discovery Algorithm For Homogeneous Multilayer Networks

• arxiv url: http://arxiv.org/abs/2504.19328v1
• Date: Sun, 27 Apr 2025 18:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.236852
• Title: Scalable Substructure Discovery Algorithm For Homogeneous Multilayer Networks
• Title（参考訳）: 均一多層ネットワークのためのスケーラブルなサブ構造探索アルゴリズム
• Authors: Arshdeep Singh, Abhishek Santra, Sharma Chakravarthy,
• Abstract要約: グラフマイニングは現実世界のグラフを分析して、グラフとしてモデル化されたアプリケーションの中核部分構造(連結部分グラフ)を見つける。 サブストラクチャディスカバリは、大きなデータセット内の意味のあるパターン、構造、コンポーネントを特定するプロセスである。 本稿では,新しいデカップリング手法を用いて,同種多層ネットワーク(MLNの一種)のサブ構造探索に着目する。
• 参考スコア（独自算出の注目度）: 2.941253902145271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph mining analyzes real-world graphs to find core substructures (connected subgraphs) in applications modeled as graphs. Substructure discovery is a process that involves identifying meaningful patterns, structures, or components within a large data set. These substructures can be of various types, such as frequent patterns, motifs, or other relevant features within the data. To model complex data sets -- with multiple types of entities and relationships -- multilayer networks (or MLNs) have been shown to be more effective as compared to simple and attributed graphs. Analysis algorithms on MLNs using the decoupling approach have been shown to be both efficient and accurate. Hence, this paper focuses on substructure discovery in homogeneous multilayer networks (one type of MLN) using a novel decoupling-based approach. In this approach, each layer is processed independently, and then the results from two or more layers are composed to identify substructures in the entire MLN. The algorithm is designed and implemented, including the composition part, using one of the distributed processing frameworks (the Map/Reduce paradigm) to provide scalability. After establishing the correctness, we analyze the speedup and response time of the proposed algorithm and approach through extensive experimental analysis on large synthetic and real-world data sets with diverse graph characteristics.
• Abstract（参考訳）: グラフマイニングは現実世界のグラフを分析して、グラフとしてモデル化されたアプリケーションの中核部分構造(連結部分グラフ)を見つける。 サブストラクチャディスカバリは、大きなデータセット内の意味のあるパターン、構造、コンポーネントを特定するプロセスである。 これらのサブストラクチャは、頻繁なパターン、モチーフ、あるいはデータ内の他の関連する機能など、さまざまなタイプのものであってもよい。 複数のタイプのエンティティと関係を持つ複雑なデータセットをモデル化するために、多層ネットワーク(MLN)は単純で属性のあるグラフよりも効果的であることが示されている。 切り離し手法を用いたMLNの解析アルゴリズムは効率的かつ正確であることが示されている。 そこで本研究では,新しいデカップリング手法を用いて,同種多層ネットワーク(MLNの一種)のサブ構造探索に着目する。 このアプローチでは、各層は独立に処理され、2つ以上の層からの結果はMLN全体のサブ構造を特定するために構成される。 このアルゴリズムは、構成部分を含む設計および実装されており、分散処理フレームワーク(Map/Reduceパラダイム)の1つを使用してスケーラビリティを提供している。 正確性を確立した後,提案アルゴリズムの高速化と応答時間を分析し,多様なグラフ特性を持つ大規模合成および実世界のデータセットの広範な実験分析を通じてアプローチする。

関連論文リスト

• Persistent Homology-induced Graph Ensembles for Time Series Regressions [1.5728609542259502]
  永続ホモロジーフィルタに基づくグラフニューラルネットワークのアンサンブルを作成する。 アンサンブルは、注目に基づくルーティング機構を介して、個々の学習者からの信号を集約する。 地震活動予測と交通予測に関する4つの異なる実世界の実験は、我々のアプローチが一本のグラフベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-18T13:22:52Z)
• From Primes to Paths: Enabling Fast Multi-Relational Graph Analysis [5.008498268411793]
  マルチリレーショナルネットワークは、データの複雑な関係を捉え、バイオメディカル、ファイナンシャル、社会科学などの分野にまたがる多様な応用を持つ。 この研究は、ネットワーク内の異なる関係をユニークに表現するために素数を使用するプライム・アジャケーシ・マトリクス・フレームワークを拡張している。
  論文  参考訳（メタデータ） (2024-11-17T18:43:01Z)
• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Enhancing Deep Learning Models through Tensorization: A Comprehensive Survey and Framework [0.0]
  本稿では,多次元データソース,様々なマルチウェイ解析手法,およびこれらの手法の利点について考察する。 2次元アルゴリズムとPythonのマルチウェイアルゴリズムを比較したBlind Source separation(BSS)の小さな例を示す。 その結果,マルチウェイ解析の方が表現力が高いことが示唆された。
  論文  参考訳（メタデータ） (2023-09-05T17:56:22Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Semi-Supervised Deep Learning for Multiplex Networks [20.671777884219555]
  多重ネットワークは複雑なグラフ構造であり、エンティティの集合が複数のタイプの関係によって相互に接続される。 マルチプレックスネットワーク上の構造認識表現学習のための,新しい半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2021-10-05T13:37:43Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Joint Geometric and Topological Analysis of Hierarchical Datasets [7.098759778181621]
  本稿では,複数の階層的データセットに整理された高次元データに注目する。 この研究の主な新規性は、トポロジカルデータ分析と幾何多様体学習という、2つの強力なデータ分析アプローチの組み合わせにある。 本手法は, 最新手法と比較して優れた分類結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-04-03T13:02:00Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)

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。