論文の概要: Neural Graph Navigation for Intelligent Subgraph Matching

• arxiv url: http://arxiv.org/abs/2511.17939v1
• Date: Sat, 22 Nov 2025 06:40:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.529276
• Title: Neural Graph Navigation for Intelligent Subgraph Matching
• Title（参考訳）: 知的部分グラフマッチングのためのニューラルグラフナビゲーション
• Authors: Yuchen Ying, Yiyang Dai, Wenda Li, Wenjie Huang, Rui Wang, Tongya Zheng, Yu Wang, Hanyang Yuan, Mingli Song,
• Abstract要約: サブグラフマッチングは、生化学システムからソーシャルネットワーク分析に至るまでの領域におけるパターン検出の基盤である。 既存のメソッドはフィルタリング順序列挙フレームワーク内でこの問題に対処する。 ブルートフォース列挙をニューラルガイド付きサーチに変換するニューラルグラフナビゲーション(NeuGN)を提案する。
• 参考スコア（独自算出の注目度）: 46.705803686191096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgraph matching, a cornerstone of relational pattern detection in domains ranging from biochemical systems to social network analysis, faces significant computational challenges due to the dramatically growing search space. Existing methods address this problem within a filtering-ordering-enumeration framework, in which the enumeration stage recursively matches the query graph against the candidate subgraphs of the data graph. However, the lack of awareness of subgraph structural patterns leads to a costly brute-force enumeration, thereby critically motivating the need for intelligent navigation in subgraph matching. To address this challenge, we propose Neural Graph Navigation (NeuGN), a neuro-heuristic framework that transforms brute-force enumeration into neural-guided search by integrating neural navigation mechanisms into the core enumeration process. By preserving heuristic-based completeness guarantees while incorporating neural intelligence, NeuGN significantly reduces the \textit{First Match Steps} by up to 98.2\% compared to state-of-the-art methods across six real-world datasets.
• Abstract（参考訳）: バイオケミカル・システムからソーシャル・ネットワーク・アナリティクスまでの領域における関係パターン検出の基盤であるサブグラフマッチングは,検索空間が劇的に増大する中で,重要な計算課題に直面している。 既存の手法では、列挙段階がクエリグラフとデータグラフの候補部分グラフを再帰的にマッチングするフィルタリング順序列挙フレームワークでこの問題に対処する。 しかし、サブグラフ構造パターンの認識の欠如は、コストのかかるブルートフォース列挙につながるため、サブグラフマッチングにおけるインテリジェントなナビゲーションの必要性を批判的に動機付けている。 この課題に対処するために、ニューラルグラフナビゲーション(NeuGN)を提案する。ニューラルグラフナビゲーション機構をコア列挙プロセスに統合することにより、ブルートフォース列挙をニューラルガイド付きサーチに変換するニューラル・ヒューリスティック・フレームワークである。 ニューラルネットワークを取り入れたままヒューリスティックベースの完全性を保証することにより、NeuGNは6つの実世界のデータセットにわたる最先端の手法と比較して、 \textit{First Match Steps} を最大98.2\%削減する。

関連論文リスト

• Formal Verification of Graph Convolutional Networks with Uncertain Node Features and Uncertain Graph Structure [7.133681867718039]
  グラフニューラルネットワークは、機械学習の分野でますます人気が高まっている。 これらは、摂動が本質的に起こる安全クリティカルな環境に適用されている。 本研究は、基礎となる計算におけるすべての要素の依存関係を保存することによって、非通過ギャップに対処する。
  論文  参考訳（メタデータ） (2024-04-23T14:12:48Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• The Map Equation Goes Neural: Mapping Network Flows with Graph Neural Networks [0.716879432974126]
  コミュニティ検出は、教師なしのデータ探索と、ネットワーク化されたシステムの組織構造を明らかにするために不可欠なツールである。 本研究では,非教師付きコミュニティ検出のための一般的な情報理論的目的関数であるマップ方程式を考察し,下降による勾配の微分可能なテンソル形式で表現する。 我々の定式化は、任意のニューラルネットワークアーキテクチャと互換性のあるマップ方程式を変換し、エンドツーエンドの学習を可能にし、ノード機能を導入し、クラスタの最適な数を自動的に選択します。
  論文  参考訳（メタデータ） (2023-10-02T12:32:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Neural Subgraph Matching [57.05893848555512]
  NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。 NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
  論文  参考訳（メタデータ） (2020-07-06T22:06:38Z)
• Subgraph Neural Networks [14.222887950206662]
  本稿では,不整合部分グラフ表現を学習するためのサブグラフニューラルネットワークSubGNNを紹介する。 SubGNNは、挑戦的なバイオメディカルデータセットで非常によく機能する。
  論文  参考訳（メタデータ） (2020-06-18T13:54:30Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。