近接勾配プルーニングに基づく属性付きグラフの予測マイニング

• Item type: SIG Technical Reports(1)
• 公開日: 2023-06-22
• タイトル: 近接勾配プルーニングに基づく属性付きグラフの予測マイニング
• タイトル / 言語: en
• タイトル: Predictive graph mining for attributed graph data through proximal gradient pruning
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: IBISML
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属: 名古屋工業大学
• 著者所属(英): en
• 著者所属(英): Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Nagoya Institute of Technology
• 著者所属(英): en
• 著者所属(英): Nagoya Institute of Technology
• 著者名: 杉原, 蓮; 田島, 慎司; 北原, 諒多; 烏山, 昌幸
• 著者名(英): Ren, Sugihara; Shinji, Tajima; Ryota, Kitahara; Masayuki, Karasuyama
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 本論文では連続的な属性を持つグラフデータに対して，LAGRA (Learning Attributed GRAphlets) と呼ばれる解釈可能なグラフ分類アルゴリズムを提案する．LAGRA は，線形結合の係数にスパースペナルティを課した Attributed Graphlets(AG) と呼ばれる小さな属性付き部分グラフを線形結合する．このモデルでは，係数と属性が最適化されると，係数がゼロでない少数の AG として識別可能な AG の特定ができる．このアプローチでは，あり得る様々な AG を網羅的に考えることができるが，必要な計算が膨大になる可能性がある．我々は，近接勾配法とグラフマイニング木探索を組み合わせた効率的な Pruning 戦略を提案し，解の品質を保証する. 我々の知る限り，属性付きグラフデータに対する解釈可能なモデルは，あまり研究されてこなかった．我々は，LAGRA が，解釈可能な方法で少数の AG のみを使用しながら，標準的な既存アルゴリズムと同等以上の予測性能を持つことを経験的に実証する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: This paper proposes an interpretable graph classification algorithm for graph data with continuous attributes, called LAGRA (Learning Attributed GRAphlets). LAGRA linearly combines small attributed subgraphs, called attributed graphlets (AGs), for which a sparse penalty is imposed on the coefficients of the linear combination. For candidate AGs, graph connectivity structures are generated by a graph mining, by which all the subgraphs in the training dataset can be considered, and attribute vectors are optimized as trainable parameters. In this model, once the coefficients and attributes are optimized, discriminative AGs can be identified as a small number of AGs having non-zero coefficients. Although this approach can consider a variety of possible AGs exhaustively, required computations can be prohibitive. We propose an efficient pruning strategy by combining the proximal gradient descent and a graph mining tree search, which can guarantee the quality of the solution is intact. To our knowledge, interpretable models for attributed graph data have not been widely studied. We empirically demonstrate that LAGRA has superior or comparable prediction performance to the standard existing algorithms, while using only a small number of AGs in an interpretable manner.
• 書誌情報: 研究報告バイオ情報学（BIO）; 巻 2023-BIO-74, 号 61, p. 1-8, 発行日 2023-06-22
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8590
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会