論文の概要: Exact Subgraph Isomorphism Network for Predictive Graph Mining

• arxiv url: http://arxiv.org/abs/2509.21699v1
• Date: Thu, 25 Sep 2025 23:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.077879
• Title: Exact Subgraph Isomorphism Network for Predictive Graph Mining
• Title（参考訳）: 予測グラフマイニングのための厳密な部分グラフ同型ネットワーク
• Authors: Taiga Kojima, Masayuki Karasuyama,
• Abstract要約: 本稿では,厳密なサブグラフ列挙,ニューラルネットワーク,スパース正規化を組み合わせたエクササイズサブグラフ同型ネットワーク(EIN)を提案する。 EINは、標準的なグラフニューラルネットワークモデルと比較して十分に高い予測性能を持つ。
• 参考スコア（独自算出の注目度）: 6.926467730065948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the graph-level prediction task (predict a label for a given graph), the information contained in subgraphs of the input graph plays a key role. In this paper, we propose Exact subgraph Isomorphism Network (EIN), which combines the exact subgraph enumeration, neural network, and a sparse regularization. In general, building a graph-level prediction model achieving high discriminative ability along with interpretability is still a challenging problem. Our combination of the subgraph enumeration and neural network contributes to high discriminative ability about the subgraph structure of the input graph. Further, the sparse regularization in EIN enables us 1) to derive an effective pruning strategy that mitigates computational difficulty of the enumeration while maintaining the prediction performance, and 2) to identify important subgraphs that contributes to high interpretability. We empirically show that EIN has sufficiently high prediction performance compared with standard graph neural network models, and also, we show examples of post-hoc analysis based on the selected subgraphs.
• Abstract（参考訳）: グラフレベル予測タスク(所定のグラフのラベルを予測する)では、入力グラフのサブグラフに含まれる情報が重要な役割を果たす。 本稿では, 正確な部分グラフ列挙, ニューラルネットワーク, スパース正規化を組み合わせたExact subgraph Isomorphism Network (EIN)を提案する。 一般に、高い識別能力と解釈可能性を達成するグラフレベルの予測モデルを構築することは、依然として難しい問題である。 サブグラフ列挙とニューラルネットワークの組み合わせは,入力グラフのサブグラフ構造に関する高い識別能力に寄与する。 さらに、EINにおけるスパース正規化は、私たちを有効にします。 1)予測性能を維持しつつ列挙の計算困難を緩和する効果的な刈り取り戦略を導出する。 2) 高い解釈可能性に寄与する重要なサブグラフを特定すること。 実験により、EINは標準グラフニューラルネットワークモデルと比較して十分に高い予測性能を示し、また、選択したサブグラフに基づくポストホック解析の例を示す。

関連論文リスト

• Subgraph Aggregation for Out-of-Distribution Generalization on Graphs [29.884717215947745]
  SubGraph Aggregation (SuGAr)は、グラフ上のOOD一般化に不可欠な、多様なサブグラフの集合を学ぶように設計されている。 合成と実世界の両方のデータセットの実験では、SuGArは最先端の手法より優れており、グラフ上のOOD一般化を最大24%改善している。
  論文  参考訳（メタデータ） (2024-10-29T16:54:37Z)
• Improving the interpretability of GNN predictions through conformal-based graph sparsification [9.550589670316523]
  グラフニューラルネットワーク(GNN)は、グラフ分類タスクの解決において最先端のパフォーマンスを達成した。 エッジやノードを除去することで,最も予測可能なサブグラフを見つけるGNNエンハンチング手法を提案する。 我々は、共形予測に基づく報奨関数で得られる二段階最適化を解決するために強化学習を頼りにしている。
  論文  参考訳（メタデータ） (2024-04-18T17:34:47Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Stochastic Subgraph Neighborhood Pooling for Subgraph Classification [2.1270496914042996]
  Subgraph Neighborhood Pooling (SSNP) は、ラベル付けトリックのような計算コストの高い操作をすることなく、サブグラフとその周辺情報を共同で集約する。 実験により、我々のモデルは、トレーニングにおいて最大3倍高速でありながら、最先端の手法(マージンが最大2%)より優れています。
  論文  参考訳（メタデータ） (2023-04-17T18:49:18Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)
• On Explainability of Graph Neural Networks via Subgraph Explorations [48.56936527708657]
  本稿では,グラフニューラルネットワーク(GNN)を説明するための新しい手法,SubgraphXを提案する。 我々の研究は,GNNのサブグラフを明示的に識別する最初の試みである。
  論文  参考訳（メタデータ） (2021-02-09T22:12:26Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)

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。