Significant Subgraph Mining with Multiple Testing Correction
Osaka University（大阪大学）；ETH Zürich（苏黎世联邦理工学院）；University of Copenhagen（哥本哈根大学）
由于需要校正多个假设检验，寻找在一类事务中统计上显著丰富的项集的问题变得复杂。修剪不可测试的假设最近被提出作为一种策略，这项任务的重要项集挖掘。它被证明导致更大的统计功效，发现更多真正重要的项目集，比标准的Bonferroni校正真实世界的数据集。然而，一个悬而未决的问题是，这种排除不可检验的假设的策略是否也会导致子图挖掘中更大的统计功效，其中假设的数量比项集挖掘中的要大得多。在这里，我们通过对八个流行的图形基准数据集的实证调查来回答这个问题。我们提出了一种新的高效的搜索策略，它总是返回相同的解决方案，作为国家的最先进的方法，大约是两个数量级的速度。此外，我们利用子图之间的依赖性，考虑有效的测试次数，从而进一步提高统计功效。
2015-01-30 cs.LG stat.ME stat.ML
Subgraph Federated Learning with Missing Neighbor Generation
Emory University（埃默里大学）；University of Hong Kong（香港大学）；University of British Columbia（不列颠哥伦比亚大学）；Lehigh University（理海大学）
图由于其对现实世界对象及其相互作用的独特表示而被广泛应用于数据采掘和机器学习中。随着图变得越来越大，通常会看到它们的子图被单独收集并存储在多个本地系统中。因此，考虑子图联邦学习设置是很自然的，其中每个局部系统都持有可能偏离整个图的分布的小的子图。因此，子图联邦学习的目标是协作训练一个强大的和可推广的图挖掘模型，而不直接共享他们的图数据。在这项工作中，针对子图联邦学习的新颖而现实的设置，我们提出了两种主要技术：（1）FedSage，它基于FedAvg训练GraphSage模型，以集成多个局部子图上的节点特征，链接结构和任务标签;（2）FedSage+，它沿着FedSage训练缺失邻居生成器，以处理局部子图上的缺失链接。四个真实世界的图数据集与合成子图联邦学习设置的实证结果表明，我们提出的技术的有效性和效率。同时，对它们在全局图上的推广能力给出了一致的理论暗示。
2021-11-06 cs.LG cs.SI
PSpan:Mining Frequent Subnets of Petri Nets
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文首次提出了一种从Petri网集合中挖掘频繁完备Petri网的算法PSpan。我们引入了完全图的概念和网图表示。PSpan将Petri网转化为网图，并对其进行子网图挖掘，然后将结果转换回频繁图。PSpan遵循模式增长方法，并具有与图挖掘中的gSpan相似的复杂性。实验验证了PSpan算法的可靠性和复杂性。除了C/E网，它也适用于一组其他Petri网子类。
2021-01-28 cs.LG
Mining Brain Networks using Multiple Side Views for Neurological Disorder Identification
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Worcester Polytechnic Institute（伍斯特理工学院）；Tsinghua University（清华大学）；Northwestern University（西北大学）
近年来，从图数据中挖掘有区别的子图模式引起了人们极大的兴趣。它在疾病诊断、神经影像学等方面有着广泛的应用。然而，在许多实际应用中，边信息与图形数据一起可用。例如，对于神经障碍识别，除了从神经成像数据导出的脑网络之外，还可以记录每个受试者的数百种临床、免疫学、血清学和认知测量。这些措施组成多个侧视图编码的诊断目的的大量补充信息，但往往被忽略。在本文中，我们研究了使用多个侧视图的判别子图选择问题，并提出了一种新的解决方案，通过探索多个侧视图来找到一组最佳的子图特征用于图分类。我们推导出一个特征评价标准，命名为gSide，估计有用的子图模式的基础上的侧视图。然后，我们开发了一个分支定界算法，称为gMSV，有效地搜索最佳的子图特征，通过集成的子图挖掘过程和判别特征选择的过程。基于脑网络的神经系统疾病图分类实验表明，多视角引导子图选择方法所选择的子图模式能够有效提高图分类性能，并与疾病诊断相关。
2015-08-19 cs.CV cs.CY cs.LG
Frequent Pattern Mining in Continuous-time Temporal Networks
College of Computing and Informatics, Drexel University（德雷塞尔大学计算与信息学院）
网络在不同的学科中被用作高度表达的工具。近年来，时态网络的分析和挖掘引起了广泛的关注。频繁模式挖掘被认为是网络科学文献中的一项重要任务。除了大量的应用外，网络中频繁模式挖掘的研究直接影响到其他分析方法，如聚类，准团和团挖掘，以及链接预测。在几乎所有的时态网络频繁模式挖掘算法中，时态网络都被表示为静态网络序列。然后，挖掘网络间或网络内模式。这种类型的表示对挖掘问题施加了计算-表达性权衡。在本文中，我们提出了一种新的表示，可以保留网络损失的时间方面。然后，我们引入了约束区间图的概念。接下来，我们开发了一系列的算法，用于挖掘时态网络数据集中的频繁时态模式的完整集合。我们还考虑了四种不同的同构定义，以允许在时间数据汇集的噪声容忍度。三个真实世界的数据集实现算法证明了所提出的算法的实用性和它的能力，发现未知的模式在各种设置。
2021-05-12 cs.CV cs.DB cs.DS
Distributed Representation of Subgraphs
Virginia Tech（弗吉尼亚理工大学）
网络嵌入在学习网络的有效特征表示方面已经变得非常流行。受最近嵌入在自然语言处理中的成功的启发，研究人员试图找到网络嵌入，以便利用机器学习算法进行节点分类和边缘预测等挖掘任务。然而，大部分的工作集中在寻找分布式表示的节点，这是固有的不适合的任务，如社区发现这是直观地依赖于子图。在这里，我们提出了sub2vec，一个无监督的可扩展算法来学习任意子图的特征表示。我们提供的手段来描述子图之间的相似性，并提供理论分析sub2vec，并证明它保持了所谓的本地接近。我们还强调了sub2vec的可用性，利用它进行网络挖掘任务，如社区发现。我们表明，sub2vec得到显着的收益超过国家的最先进的方法和节点嵌入方法。特别是，sub2vec提供了一种方法来生成更丰富的子图特征词汇表，以支持表示和推理。
2017-02-22 cs.LG cs.SI stat.ML
Parallel algorithms for mining of frequent itemsets
Czech Technical University in Prague（布拉格捷克技术大学）；Institute of Computer Science（计算机科学研究所）
近十年来，企业开始收集大量数据。如果没有正确的分析，这些数据通常是无用的。分析数据的领域称为数据采掘。不幸的是，数据量非常大：数据不适合主内存，处理时间可能会变得非常巨大。因此，我们需要并行的数据采掘算法。频繁项集的生成算法是数据采掘中一个重要的算法。挖掘频繁项集的问题可以用下面的例子来解释：顾客走进一家商店，把一些商品放进他们的篮子里;商店的老板收集篮子，想知道至少有p%的篮子里一起购买的商品的集合。目前，挖掘频繁项集的顺序算法在性能上都比较好。然而，频繁项集挖掘的并行算法仍然没有达到很好的加速比。在这篇论文中，我们发展了一个在分散式记忆体平行电脑上，可用于任意深度优先搜寻顺序算法的平行频繁项目集挖掘方法。我们的方法在10个处理器上实现了~ 6的加速比。该方法基于对数据库样本的处理器负载的近似估计-然而，它总是从整个数据库计算频繁项集的集合。在这篇论文中，我们展示了我们的方法的理论基础，并显示了估计过程的性能。
2021-08-11 cs.DB cs.LG
Mining Representative Unsubstituted Graph Patterns Using Prior Similarity Matrix
研究蛋白质结构最有效的技术之一是寻找重复片段（也称为子结构或空间基序），然后将它们作为模式来表征所研究的蛋白质。一个新兴的趋势是将蛋白质的三维（3D）结构解析成氨基酸的图形。因此，经常性的空间图案的搜索被制定为一个频繁的子图发现的过程中，每个子图代表一个空间图案。在这个范围内，文献中已经提出了几种有效的频繁子图发现方法。然而，所发现的频繁子图的集合太大而不能在任何进一步的过程中被有效地分析和探索。在本文中，我们提出了一种新的模式选择方法，缩小了大量的发现频繁子图选择的代表。现有的模式选择方法没有利用领域知识。然而，在我们的方法中，我们将取代矩阵中定义的氨基酸的进化信息，以选择有代表性的子图。我们展示了我们的方法在一些真实数据集上的有效性。从我们的实验结果表明，我们的方法是能够大大减少图案的数量，同时提高他们的兴趣。
2013-03-08 cs.CE cs.LG
Mining Rank Data
Heinx Nixdorf Institute（海因茨·尼克斯多夫研究所）；Paderborn University（帕德博恩大学）
频繁模式挖掘的问题已经被广泛地研究了各种类型的数据，包括集合，序列和图形。有些令人惊讶的是，另一种重要的数据类型，即排名数据，到目前为止在数据采掘中很少受到关注。因此，在本文中，我们解决了挖掘排名数据的问题，也就是说，数据的形式排名（总订单）的一组基本项目。更具体地说，两种类型的模式被认为是，即频繁的排名和这种排名之间的关联规则的形式的依赖关系。算法挖掘频繁的排名和频繁的封闭排名提出和实验测试，使用合成和真实的数据。
2018-06-15 cs.LG stat.ML
BigCarl: Mining frequent subnets from a single large Petri net
Academy of Mathematics；Systems Science Key Lab of MADIS Chinese Academy Science, Key Laborartory of Intelligent Information Processing of Chinese Academy Sciences Beijing China 100190；Key Laborartory of Intelligent Information Processing of Chinese Academy Sciences, University of Chinese Academy Sciences Beijing China；Systems Science Key Lab of MADIS Chinese Academy Science；Key Laborartory of Intelligent Information Processing of Chinese Academy Sciences；University of Chinese Academy Sciences
虽然已经有大量的工作研究频繁子图挖掘，非常罕见的出版物讨论了频繁子网挖掘更复杂的数据结构，如Petri网。研究了从单个大型Petri网中挖掘频繁Petri网的问题。我们遵循将Petri网转换为网图形式的思想，挖掘频繁子网图，以避免高复杂度。在技术上，我们采用最小遍历的方法来产生一个规范的标签的大网络图。我们采用了最大独立嵌入集的方法来表示网络图，并提出了一种增量模式增长（独立嵌入集约简）的方法来发现频繁子网图从单个大网络图，最终转换回频繁子网图。在一个包含10K事件、40K条件和30K弧的大型Petri网上进行了大量的性能研究，结果表明，我们的方法是正确的，复杂度是合理的。
2021-03-21 cs.DB cs.LG
Explainable Subgraphs with Surprising Densities: A Subgroup Discovery Approach
Ghent University（根特大学）
图的连通性结构通常与节点的属性有关。例如，在社交网络中，两个人之间建立友谊的概率取决于他们的属性，例如他们的年龄、地址和爱好。因此，图的连通性可以用以下形式的模式来理解：“具有属性X的个体的子群通常（或很少）与具有属性Y的另一个子群中的个体是朋友”。这些规则呈现了对图的潜在可操作和可推广的见解。我们提出了一种方法，发现对节点子群之间的边缘密度是有趣的高或低，使用信息理论的定义的兴趣。这种兴趣度是主观量化的，以与分析师可能拥有的关于图的先验信息形成对比。该视图立即支持对此类模式的迭代挖掘。我们的工作概括了以前的工作密集子图挖掘（即由一个单一的子群诱导的子图）。此外，不仅是所提出的方法更一般，我们也表现出相当大的实际优势，为单子群的特殊情况。
2020-01-10 cs.LG cs.SI stat.ML
Learning Attributed Graphlets: Predictive Graph Mining by Graphlets with Trainable Attribute
Nagoya Institute of Technology（名古屋工业大学）
本文提出可解释的图分类算法LAGRA，通过近端梯度下降与图挖掘树搜索结合的高效剪枝策略，训练属性图元（AGs）的权重与属性向量，在保持可解释性的同时取得了优于或可比现有算法（含图神经网络）的预测性能。
2024-02-10 cs.LG
GraDE: A Graph Diffusion Estimator for Frequent Subgraph Discovery in Neural Architectures
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；BenchCouncil (International Open Benchmark Council)（国际开放基准委员会）；University of Chinese Academy of Sciences（中国科学院大学）；Northwestern University（西北大学）
GraDE通过图扩散模型在神经架构中高效发现频繁子图，实现比采样方法高114%的排名准确性和30倍的频率提升。
2026-02-03 cs.AI cs.LG
Inferring Dynamic Bayesian Networks using Frequent Episode Mining
Virginia Tech（弗吉尼亚理工大学）；Microsoft Research（微软研究院）
动机：已经提出了几种不同的研究思路来建模和挖掘时态数据。一方面，动态贝叶斯网络（DBN）等方法为时间索引随机变量之间的关系建模提供了正式的概率基础，但这些模型在一般情况下难以学习。另一方面，频繁情节挖掘等算法可扩展到大型数据集，但没有表现出严格的概率解释，这是图形模型文献的支柱。结果如下：我们提出了一个统一的这两个看似不同的线程的研究，通过演示如何动态（离散）贝叶斯网络可以推断频繁事件挖掘的结果。这有助于将前者的建模重点与后者的计数重点联系起来。首先，我们展示了如何在合理的假设下，数据的特性和随机变量的影响，最佳DBN结构可以使用贪婪的，本地的算法计算。接下来，我们将DBN结构的最优性与固定延迟事件及其不同事件的计数的概念联系起来。最后，为了证明我们的方法的实际可行性，我们专注于一个特定的（但广泛适用的）类网络，称为兴奋性网络，并显示如何搜索最佳DBN结构可以进行使用频繁发作的信息。应用数据集收集的尖峰神经元的数学模型，以及真正的神经科学数据集。可用性：可从我们的网站http://neural-code.cs.vt.edu/dbn获得模拟器实现、模拟器代码库和数据集
2009-04-14 cs.LG
GitGraph - Architecture Search Space Creation through Frequent Computational Subgraph Mining
Swisscom（瑞士电信）
深度神经网络在多个应用领域的巨大成功通常依赖于专家精心设计针对每个任务的网络架构。为了简化该过程并使其更易于访问，新兴的研究努力寻求使用例如进化算法或强化学习或在神经模块的受限空间中的简单搜索来自动化神经网络架构的设计。考虑到搜索空间的典型大小（例如，用于$10$层网络的$10^{10}$候选）和评估单个候选的成本，当前的架构搜索方法非常受限。他们要么依赖于静态的预构建模块来重新组合手头的任务，要么定义一个静态的手工框架，在这个框架中，他们可以从最简单的操作中生成新的架构。在本文中，我们通过利用在线代码存储库中发布的大量神经网络中包含的集体智慧来放宽这些限制。具体地说，我们（a）提取并发布GitGraph，这是一个神经架构及其描述的语料库;（b）我们创建了特定于问题的神经架构搜索空间，作为GitGraph上的文本搜索机制实现;（c）我们提出了一种识别解决每个问题的架构中唯一公共子图的方法（例如，图像处理、强化学习），其然后可以用作新创建的问题特定神经搜索空间中的模块。
2018-01-16 cs.AI cs.LG
Grafting for Combinatorial Boolean Model using Frequent Itemset Mining
The University of Tokyo（东京大学）
针对组合布尔模型（CBM）学习计算成本过高的问题，提出GRAB算法，通过将L1正则化损失最小化转化为加权频繁项集挖掘，在保证可解释性的同时实现了计算效率、预测准确性和知识发现的有效提升。
2017-11-13 cs.LG stat.ML
Improved Multi-label Classification with Frequent Label-set Mining and Association
Indian Statistical Institute（印度统计研究所）
多标签（ML）数据同时处理与单个样本相关的多个类别。这导致了几个类重复出现，这表明它们之间存在某种相关性。在这篇文章中，类之间的相关性进行了探索，以提高现有的ML分类器的分类性能。提出了一种新的频繁标签集挖掘方法，从数据的标签集中提取这些相关的类。类的共存（CP）和共存缺失（CA）都被考虑在内。从ML数据中挖掘的规则已被进一步用于将类相关信息纳入现有的ML分类器中。通过使用CP-CA规则的新方法修改ML分类器生成的软分数。定义了确定性和不确定性得分的概念，提出了一种基于确定性得分和CP-CA规则的改进不确定性得分的方法。这已经在10个ML数据集上对三个ML现有分类器进行了实验分析，这些分类器的整体性能得到了大幅提高。
2021-09-22 cs.LG
Symbolic Graph Embedding using Frequent Pattern Mining
Jožef Stefan International Postgraduate School（约热夫·斯特凡国际研究生院）；Jožef Stefan Institute（约热夫·斯特凡研究所）；University of Nova Gorica（新戈里察大学）
关系数据采掘在许多研究领域中正变得无处不在。它提供了对复杂的真实世界系统行为的深入了解，这些系统无法直接使用命题学习进行建模。我们提出了符号图嵌入（SGE），一种旨在学习符号节点表示的算法。基于归纳逻辑程序设计领域的思想，SGE首先对给定节点的邻域进行采样，并将其解释为事务数据库，该事务数据库用于频繁模式挖掘，以识别在给定上下文中频繁出现的项的逻辑合取。在这项工作中，这些模式被用作表示单个节点的特征，产生可解释的符号节点嵌入。在场地分类任务上提出的SGE方法优于DeepWalk等浅节点嵌入方法，并且与metapath2vec（一种黑盒表示学习器，可以利用给定图中的节点和边类型）的性能相似。当少量数据用于学习时，所提出的SGE方法表现得特别好，可以扩展到具有数百万个节点和边的图形，并且可以在现成的笔记本电脑上运行。
2019-10-29 cs.LG stat.ML
Mining Topological Dependencies of Recurrent Congestion in Road Networks
L3S Research Center（L3S研究中心）；Leibniz University Hannover（莱布尼茨汉诺威大学）；University of Bonn（波恩大学）
发现城市道路网络中导致经常性拥堵（RC）模式的时空依赖性对于许多现实世界的应用至关重要，包括城市规划和公共交通服务的调度。虽然大多数现有的研究调查RC现象的时间模式，道路网络拓扑结构对RC的影响往往被忽视。本文提出了ST-发现算法，一种新的无监督时空数据采掘算法，有利于有效的数据驱动的发现RC依赖的道路网络拓扑结构，使用现实世界的交通数据。我们的因素定期重现的交通现象，如高峰时间，主要是由白天引起的，通过建模和系统地利用时间交通负荷异常值。我们提出了一种算法，首先构造连通子图的道路网络的基础上的交通速度离群值。其次，该算法识别子图对，指示其交通负荷行为的时空相关性，以识别道路网络内的拓扑依赖性。最后，我们根据我们的算法确定的依赖分数对识别出的子图对进行排名。我们的实验结果表明，ST发现可以有效地揭示城市道路网络的拓扑依赖性。
2021-07-20 cs.CY cs.LG
Graph Pattern Mining and Learning through User-defined Relations (Extended Version)
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Purdue University（普渡大学）
在这项工作中，我们提出了R-GPM，通过用户定义的子图关系的图模式挖掘（GPM）的并行计算框架。更具体地说，我们能够通过它们的子图类来计算模式的统计信息，从而推广传统的GPM方法。R-GPM通过采用MCMC采样算法结合几种优化方法为这些统计量提供了有效的估计。我们提供了理论保证和经验评估我们的估计在应用场景中，如随机优化深高阶图神经网络模型和模式（模体）计数。我们还提出并评估了优化，使我们的估计精度的提高，同时降低其计算成本高达3个数量级。最后，我们证明了R-GPM是可扩展的，在我们所有的测试中，在44个内核上提供了接近线性的加速比。
2020-10-10 cs.LG stat.ML
Machine Learning Techniques for Pattern Recognition in High-Dimensional Data Mining
Northeastern University（东北大学）
本文提出一种基于SVM的频繁模式数据挖掘算法，通过将挖掘任务转化为分类问题并利用核函数映射，有效解决了高维稀疏数据下的性能瓶颈，实验证明其在支持度、置信度和提升度上显著优于传统模型。
2024-12-20 cs.AI cs.LG
Frequent subgraph-based persistent homology for graph classification
Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳））；Université de Lille, Laboratoire Painlevé (UMR CNRS 8524), France（里尔大学，帕伊尔实验室（UMR CNRS 8524））；Sun Yat-Sen University, Guangzhou, China（中山大学）；Great Bay University, Dongguan, China（大亚湾大学）
本文提出基于频繁子图的持久同调方法，用于图分类，通过稳定且信息丰富的FPH特征提升拓扑意识的图表示学习。
2026-01-02 cs.LG math.AT
Unsupervised Frequent Pattern Mining for CEP
复杂事件处理（CEP）是一组使用复杂和高度描述性模式从海量数据流中高效提取知识的方法。在线金融、医疗保健监控和欺诈检测等众多应用都使用CEP技术来实时的捕获关键警报、潜在威胁或重要通知。到目前为止，在许多领域，模式是由人类专家手动定义的。然而，期望的模式通常包含人类难以检测的复杂关系，并且人类的专业知识在许多领域中是稀缺的。我们提出了REDEEMER（REINEMBaseD cEp pattErn MinER），一种新的强化和主动学习方法，旨在挖掘CEP模式，允许扩展提取的知识，同时减少所需的人力。这种方法包括一种新的策略梯度方法，用于广阔的多变量空间和一种新的方法，结合强化和主动学习的CEP规则学习，同时最大限度地减少训练所需的标签数量。REDEEMER的目标是在以前无法使用CEP的领域中实现CEP集成。据我们所知，REDEEMER是第一个提出事先没有观察到的新CEP规则的系统，也是第一个旨在增加专家不具备CEP工具所需足够信息的领域的模式知识的方法。我们在不同数据集上的实验表明，REDEEMER能够扩展模式知识，同时优于几种最先进的强化学习模式挖掘方法。
2022-07-28 cs.LG
Performance study of distributed Apriori-like frequent itemsets mining
University College Dublin（都柏林大学学院）
本文主要研究基于Apriori的分布式频繁项集挖掘。我们提出了一种新的分布式方法，考虑到该算法的固有特性。我们研究了该算法的分布方面，并给出了一个比较所提出的方法与经典的Apriori分布式算法，使用分析和实验研究。我们发现，在广泛的条件和数据集下，分布式Apriori算法的性能与全局剪枝策略无关，因为局部Apriori生成的性能通常具有相对较高的候选集频率成功率，这些候选集频率在低水平上切换到非常低的速率，并且经常下降到零。这意味着，在经典的分布式方案的中间通信步骤和远程支持计数计算和收集是计算效率低下的本地，然后约束全局性能。我们的性能评估是在一个大型集群的工作站上使用秃鹰系统及其工作流管理器DAGMan。实验结果表明，与典型的分布式Apriori算法相比，该算法在性能上有较大的提高，并具有良好的可扩展性。
2019-02-21 cs.DC cs.LG stat.ML
Scalable Maximal Frequent Episode Mining with Desbordante
Desbordante Team（Desbordante团队）；Saint Petersburg State University（圣彼得堡国立大学）
研究最大频繁事件挖掘问题，通过开发高效C++实现及并行化技术改进MaxFEM算法，提出ParMaxFEM，集成到Desbordante中，实验表明相比SPMF有显著加速。
2026-07-07 cs.AI cs.DB cs.DC
Discriminative Feature Selection for Uncertain Graph Classification
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Northwestern University（西北大学）
图数据的判别特征挖掘在构造图分类器、生成图索引等方面具有重要作用，近年来引起了人们的广泛关注。判别子图特征的兴趣度的大多数度量都定义在某些图上，其中图对象的结构是确定的，并且每个图内的二进制边表示节点之间的链接的“存在”。然而，在许多实际应用中，图的链接结构本质上是不确定的。因此，现有的基于某些图的兴趣度测量无法有效地捕捉这些应用中的结构不确定性。本文研究了不确定图的判别子图特征选择问题。这个问题是具有挑战性的，不同于传统的子图挖掘问题，因为图对象的结构和每个子图特征的区分度都是不确定的。为了解决这些挑战，我们提出了一种新的判别子图特征选择方法，DUG，它可以找到判别子图特征的不确定图的基础上不同的统计措施，包括期望，中位数，模式和Φ概率。我们首先基于动态规划计算每个子图特征的鉴别分数的概率分布。然后提出了一个分支定界算法来有效地搜索判别子图。对各种神经成像应用的广泛实验（即，阿尔茨海默氏病、ADHD和HIV）来分析性能的增益，这是通过在识别用于图分类的判别子图特征时考虑结构不确定性来实现的。
2013-01-28 cs.DB cs.LG stat.ML
Discovering Frequent Closed Embedded Sub-DAGs in Spatio-Temporal Event Data
Institute of Computer Science, Warsaw University of Technology（计算机科学研究院，华沙技术大学）
该研究针对时空事件数据，提出基于发现频繁闭合嵌入式子DAG挖掘模式的新方法，实现DigDag算法，通过实验与相关方法对比，证明该方法在可比参数设置下效率更高，并对发现模式进行了定性分析。
2026-07-08 cs.DB cs.LG
