Graph feature extraction is a fundamental task in graphs analytics. Using feature vectors (graph descriptors) in tandem with data mining algorithms that operate on Euclidean data, one can solve problems such as classification, clustering, and anomaly detection on graph-structured data. This idea has proved fruitful in the past, with spectral-based graph descriptors providing state-of-the-art classification accuracy on benchmark datasets. However, these algorithms do not scale to large graphs since: 1) they require storing the entire graph in memory, and 2) the end-user has no control over the algorithm's runtime. In this paper, we present single-pass streaming algorithms to approximate structural features of graphs (counts of subgraphs of order $k \geq 4$). Operating on edge streams allows us to avoid keeping the entire graph in memory, and controlling the sample size enables us to control the time taken by the algorithm. We demonstrate the efficacy of our descriptors by analyzing the approximation error, classification accuracy, and scalability to massive graphs. Our experiments showcase the effect of the sample size on approximation error and predictive accuracy. The proposed descriptors are applicable on graphs with millions of edges within minutes and outperform the state-of-the-art descriptors in classification accuracy.


翻译:图形分析分析中, 地貌图特征提取是一项基本任务。 使用地貌矢量( 绘图描述器) 来配合在 Euclidean 数据上运行的数据挖掘算法, 人们可以解决图表结构化数据分类、 集群和异常探测等问题。 这个想法在过去已经证明富有成效, 光谱图形描述器在基准数据集上提供最新水平的分类精确度。 然而, 这些算法在以下情况下不会向大图表缩放:1) 它们需要将整张图存储在记忆中, 2) 终端用户无法控制算法的运行时间。 在本文中, 我们提出单子流算法, 以近似图形的结构特征( $k\geq 4$的子图数) 。 在边缘流操作中, 使我们能够避免将整张图保存在记忆中, 并控制样本大小, 使我们能够控制算法的时间。 我们通过分析近似误、 分类精确度和缩略度对大图的缩略度来显示我们的描述器的功效。 我们的实验者展示了图表的精确度, 精确度在精确度上, 精确度的镜微的精确度在精确度上显示。

0
下载
关闭预览

相关内容

专知会员服务
33+阅读 · 2021年8月16日
一份简单《图神经网络》教程,28页ppt
专知会员服务
123+阅读 · 2020年8月2日
【边缘智能综述论文】A Survey on Edge Intelligence
专知会员服务
119+阅读 · 2020年3月30日
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
清华大学研究生教育
3+阅读 · 2018年6月30日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Arxiv
0+阅读 · 2021年10月22日
Arxiv
35+阅读 · 2019年11月7日
Graph-Based Recommendation System
Arxiv
4+阅读 · 2018年7月31日
Arxiv
3+阅读 · 2018年4月10日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
清华大学研究生教育
3+阅读 · 2018年6月30日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Top
微信扫码咨询专知VIP会员