Effiziente und flexible Frequent Subgraph Mining-Methode unter Verwendung von Maximal Unabhängigen Mengen
FLEXIS ist ein innovativer Ansatz für das Frequent Subgraph Mining, der eine neue Metrik namens mIS einführt. mIS behält die Unabhängigkeitseigenschaft des MIS-Maßes bei, bietet aber gleichzeitig eine schnellere Berechnung wie MNI. Darüber hinaus ermöglicht mIS dem Benutzer, den Genauigkeits-Geschwindigkeits-Kompromiss durch einen Schieberegler einzustellen.
Statistische Schätzung von Stochastischen Blockmodellen für die Clusteranalyse gerichteter Graphen
Durch die Anwendung der Maximum-Likelihood-Schätzung auf das gerichtete stochastische Blockmodell (DSBM) können die wahrscheinlichsten Gemeinschaften in einem gerichteten Graphen ermittelt werden. Darüber hinaus lässt sich diese Schätzung mit einem neuartigen Flussoptimierungsansatz in Verbindung bringen, der sowohl die Kantendichte als auch die Kantenausrichtung berücksichtigt.
Schnelle Berechnung des knotenentfernungsbasierten Einflusses in Graphen
Wir schlagen eine effiziente Methode vor, um den Einfluss des Entfernens eines Knotens in einem Graphen auf die Vorhersagen eines trainierten Graphneuronalnetzes (GNN) zu berechnen. Unser Verfahren NORA nutzt Gradienten, um den Einfluss aller Knoten mit nur einer Vorwärts- und einer Rückwärtspropagation zu approximieren.
Charakterisierung von Graphendatensätzen für die Knotenklassifizierung: Homophilie-Heterophilie-Dichotomie und darüber hinaus
Homophilie-Maße haben kritische Mängel, während Label-Informativität die Leistung von GNNs besser korreliert.
© 2024 by Linnk AI