論文の概要: DS-Span: Single-Phase Discriminative Subgraph Mining for Efficient Graph Embeddings

• arxiv url: http://arxiv.org/abs/2511.17419v1
• Date: Fri, 21 Nov 2025 17:17:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.137769
• Title: DS-Span: Single-Phase Discriminative Subgraph Mining for Efficient Graph Embeddings
• Title（参考訳）: DS-Span:効率的なグラフ埋め込みのための単相識別サブグラフマイニング
• Authors: Yeamin Kaiser, Muhammed Tasnim Bin Anwar, Bholanath Das, Chowdhury Farhan Ahmed, Md. Tanvir Alam,
• Abstract要約: DS-Spanは単相識別サブグラフマイニングフレームワークである。 これは、パターン成長、プルーニング、および監視駆動のスコアを検索空間の1つに統合する。 従来の多段法よりもコンパクトで差別的な部分グラフ特徴を生成する。
• 参考スコア（独自算出の注目度）: 0.7340017786387767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning seeks to transform complex, high-dimensional graph structures into compact vector spaces that preserve both topology and semantics. Among the various strategies, subgraph-based methods provide an interpretable bridge between symbolic pattern discovery and continuous embedding learning. Yet, existing frequent or discriminative subgraph mining approaches often suffer from redundant multi-phase pipelines, high computational cost, and weak coupling between mined structures and their discriminative relevance. We propose DS-Span, a single-phase discriminative subgraph mining framework that unifies pattern growth, pruning, and supervision-driven scoring within one traversal of the search space. DS-Span introduces a coverage-capped eligibility mechanism that dynamically limits exploration once a graph is sufficiently represented, and an information-gain-guided selection that promotes subgraphs with strong class-separating ability while minimizing redundancy. The resulting subgraph set serves as an efficient, interpretable basis for downstream graph embedding and classification. Extensive experiments across benchmarks demonstrate that DS-Span generates more compact and discriminative subgraph features than prior multi-stage methods, achieving higher or comparable accuracy with significantly reduced runtime. These results highlight the potential of unified, single-phase discriminative mining as a foundation for scalable and interpretable graph representation learning.
• Abstract（参考訳）: グラフ表現学習は、複雑な高次元グラフ構造を、トポロジーとセマンティクスの両方を保存するコンパクトなベクトル空間に変換することを目指している。 様々な戦略の中で、サブグラフベースの手法は象徴的パターン発見と連続的な埋め込み学習の間に解釈可能な橋渡しを提供する。 しかし、既存の頻度または差別的なサブグラフマイニング手法は、冗長な多相パイプライン、高い計算コスト、採掘された構造と識別的関連性の間の弱い結合に悩まされることが多い。 本稿では,DS-Spanを提案する。DS-Spanは,パターン成長,プルーニング,および教師主導のスコアリングを,検索空間の1つのトラバース内で統一する,単相識別サブグラフマイニングフレームワークである。 DS-Spanは、グラフが十分に表現されたときに探索を動的に制限するカバレッジ付き可視性機構を導入し、冗長性を最小化しながら強力なクラス分離能力を持つサブグラフを促進する情報ゲイン誘導選択を導入した。 結果として得られる部分グラフ集合は、下流グラフの埋め込みと分類の効率的かつ解釈可能な基盤として機能する。 ベンチマークによる大規模な実験により、DS-Spanは従来のマルチステージ手法よりもコンパクトで差別的なサブグラフ機能を生成し、実行時間を大幅に削減した高い精度または同等の精度を実現している。 これらの結果は、スケーラブルで解釈可能なグラフ表現学習の基礎として、統一された単相識別的マイニングの可能性を強調している。

関連論文リスト

• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• 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)
• A Multi-scale Graph Signature for Persistence Diagrams based on Return Probabilities of Random Walks [1.745838188269503]
  トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。 このセット入力を処理するためのディープラーニングアーキテクチャを提案する。 ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-28T17:30:27Z)
• Improved Dual Correlation Reduction Network [40.792587861237166]
  改良二重相関低減ネットワーク(IDCRN)と呼ばれる新しいディープグラフクラスタリングアルゴリズムを提案する。 クロスビュー特徴相関行列をアイデンティティ行列に近似することにより、特徴の異なる次元間の冗長性を低減できる。 また,グラフ畳み込みネットワーク(GCN)における過度にスムースな問題による表現の崩壊を,伝播正規化項によって回避する。
  論文  参考訳（メタデータ） (2022-02-25T07:48:32Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。