While advances in computing resources have made processing enormous amounts of data possible, human ability to identify patterns in such data has not scaled accordingly. Thus, efficient computational methods for condensing and simplifying data are becoming vital for extracting actionable insights. In particular, while data summarization techniques have been studied extensively, only recently has summarizing interconnected data, or graphs, become popular. This survey is a structured, comprehensive overview of the state-of-the-art methods for summarizing graph data. We first broach the motivation behind and the challenges of graph summarization. We then categorize summarization approaches by the type of graphs taken as input and further organize each category by core methodology. Finally, we discuss applications of summarization on real-world graphs and conclude by describing some open problems in the field.


翻译:虽然计算资源的进步使得处理大量数据成为可能,但人类确定此类数据模式的能力并没有相应缩小,因此,对提取可操作的洞察力而言,精密和简化数据的高效计算方法变得至关重要,特别是,虽然数据总化技术已经进行了广泛研究,但直到最近才对相互关联的数据或图表进行了总结,这一调查对图表数据总化的最新方法进行了有条不紊的全面概述,我们首先探讨了图形总化背后的动机和挑战,然后按投入的图表类型对汇总方法进行分类,并进一步按核心方法对每一类别进行分类。最后,我们讨论了对现实世界图形进行总化的应用,并总结了该领域的一些未解决的问题。

4
下载
关闭预览

相关内容

可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
94+阅读 · 2020年5月14日
因果图,Causal Graphs,52页ppt
专知会员服务
191+阅读 · 2020年4月19日
开源书:PyTorch深度学习起步
专知会员服务
41+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
109+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
59+阅读 · 2019年10月10日
AI可解释性文献列表
专知
38+阅读 · 2019年10月7日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
8+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】深度学习情感分析综述
机器学习研究会
58+阅读 · 2018年1月26日
【论文】变分推断(Variational inference)的总结
机器学习研究会
29+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
10+阅读 · 2017年9月24日
A Survey on Edge Intelligence
Arxiv
39+阅读 · 2020年3月26日
Arxiv
85+阅读 · 2020年2月28日
Arxiv
4+阅读 · 2019年4月17日
A Comprehensive Survey on Graph Neural Networks
Arxiv
19+阅读 · 2019年1月3日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
69+阅读 · 2018年12月22日
Arxiv
44+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
VIP会员
相关VIP内容
可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
94+阅读 · 2020年5月14日
因果图,Causal Graphs,52页ppt
专知会员服务
191+阅读 · 2020年4月19日
开源书:PyTorch深度学习起步
专知会员服务
41+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
109+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
59+阅读 · 2019年10月10日
相关资讯
AI可解释性文献列表
专知
38+阅读 · 2019年10月7日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
8+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】深度学习情感分析综述
机器学习研究会
58+阅读 · 2018年1月26日
【论文】变分推断(Variational inference)的总结
机器学习研究会
29+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【论文】图上的表示学习综述
机器学习研究会
10+阅读 · 2017年9月24日
相关论文
A Survey on Edge Intelligence
Arxiv
39+阅读 · 2020年3月26日
Arxiv
85+阅读 · 2020年2月28日
Arxiv
4+阅读 · 2019年4月17日
A Comprehensive Survey on Graph Neural Networks
Arxiv
19+阅读 · 2019年1月3日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
69+阅读 · 2018年12月22日
Arxiv
44+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Top
微信扫码咨询专知VIP会员