Discriminative subgraphs are widely

Discriminative subgraphs are widely used to define the feature
space for graph classification in large graph databases. Several
scalable approaches have been proposed to mine discriminative
subgraphs. However, their intensive computation needs prevent
them from mining large databases. We propose an efficient
method GAIA for mining discriminative subgraphs for graph
classification in large databases. Our method employs a novel
subgraph encoding approach to support an arbitrary subgraph
pattern exploration order and explores the subgraph pattern space
in a process resembling biological evolution. In this manner,
GAIA is able to find discriminative subgraph patterns much faster
than other algorithms. Additionally, we take advantage of parallel
computing to further improve the quality of resulting patterns. In
the end, we employ sequential coverage to generate association
rules as graph classifiers using patterns mined by GAIA.
Extensive experiments have been performed to analyze the
performance of GAIA and to compare it with two other state-ofthe-art
approaches. GAIA outperforms the other approaches both
in terms of classification accuracy and runtime efficiency.

Results (Thai) 1:

Discriminative subgraphs ใช้เพื่อกำหนดลักษณะการทำงานพื้นที่สำหรับกราฟประเภทในฐานข้อมูลขนาดใหญ่กราฟ หลายวิธีปรับขนาดได้รับการเสนอการเหมือง discriminativesubgraphs อย่างไรก็ตาม คำนวณความเข้มข้นต้องการป้องกันออกจากฐานข้อมูลขนาดใหญ่งานเหมืองแร่ เรานำเสนอมีประสิทธิภาพวิธีที่เอียสำหรับเหมืองแร่ subgraphs discriminative สำหรับกราฟการจัดประเภทในฐานข้อมูลขนาดใหญ่ วิธีของเรามีนวนิยายวิธีการเข้ารหัสเพื่อสนับสนุน subgraph การโดยพลการ subgraphรูปแบบใบสั่งสำรวจ และสำรวจพื้นที่รูป subgraphในกระบวนการวิวัฒนาการทางชีวภาพคล้าย ในลักษณะนี้เอียคือสามารถค้นหารูปแบบ discriminative subgraph เร็วมากกว่าอัลกอริทึมอื่น ๆ นอกจากนี้ เราได้ประโยชน์แบบขนานการคำนวณเพื่อปรับปรุงคุณภาพของรูปแบบผลลัพธ์ ในท้ายที่สุด เราจ้างครอบคลุมตามลำดับเพื่อสร้างความสัมพันธ์กฎเป็นคำนามภาษากราฟโดยใช้ลวดลายการเอียได้ปฏิบัติการทดลองอย่างละเอียดเพื่อวิเคราะห์การประสิทธิภาพ ของเอีย และ เพื่อเปรียบเทียบกับสองอื่น ๆ รัฐของศิลปะแนวทางการ เอียมีประสิทธิภาพสูงกว่าอื่น ๆ วิธีการทั้งสองในแง่ของประสิทธิภาพความแม่นยำและรันไทม์การจัดประเภท

Results (Thai) 2:

subgraphs จำแนกใช้กันอย่างแพร่หลายในการกำหนดคุณลักษณะ
พื้นที่สำหรับการจัดหมวดหมู่ของกราฟในฐานข้อมูลกราฟขนาดใหญ่ หลาย
วิธีที่สามารถปรับขนาดได้รับการเสนอที่จะจำแนกเหมือง
subgraphs อย่างไรก็ตามความต้องการของการคำนวณอย่างเข้มข้นของพวกเขาป้องกันไม่ให้
พวกเขาจากการทำเหมืองแร่ฐานข้อมูลขนาดใหญ่ เรานำเสนอที่มีประสิทธิภาพ
วิธี GAIA สำหรับการทำเหมือง subgraphs จำแนกกราฟ
การจัดหมวดหมู่ในฐานข้อมูลขนาดใหญ่ วิธีการของเรามีพนักงานนวนิยาย
วิธีการเข้ารหัส subgraph เพื่อสนับสนุน subgraph พล
รูปแบบเพื่อการสำรวจและการสำรวจพื้นที่รูปแบบกราฟย่อย
ในกระบวนการที่คล้ายกับวิวัฒนาการทางชีววิทยา ในลักษณะนี้
GAIA สามารถที่จะหารูปแบบ subgraph จำแนกได้เร็วขึ้นมาก
กว่ากลไกอื่น ๆ นอกจากนี้เรายังใช้ประโยชน์จากการขนาน
คอมพิวเตอร์เพื่อปรับปรุงคุณภาพของรูปแบบที่เกิดขึ้น ใน
ท้ายที่สุดเราจ้างคุ้มครองต่อเนื่องเพื่อสร้างการเชื่อมโยง
กฎเป็นลักษณนามกราฟโดยใช้รูปแบบการขุดโดย GAIA.
การทดลองอย่างกว้างขวางได้รับการดำเนินการในการวิเคราะห์
ประสิทธิภาพการทำงานของ GAIA และเปรียบเทียบกับสองรัฐ ofthe ศิลปะอื่น ๆ
วิธี GAIA มีประสิทธิภาพดีกว่าวิธีการอื่น ๆ ทั้ง
ในแง่ของความถูกต้องและมีประสิทธิภาพการจัดหมวดหมู่ Runtime

Results (Thai) 3:

ขนาดและใช้กันอย่างแพร่หลายเพื่อกำหนดคุณลักษณะพื้นที่สำหรับกราฟกราฟหมวดหมู่ในฐานข้อมูลขนาดใหญ่ หลาย ๆวิธีปรับขนาดได้ถูกเสนอให้ฉันและขนาด . อย่างไรก็ตาม การคำนวณความต้องการป้องกันอย่างเข้มข้นจากฐานข้อมูลขนาดใหญ่เหมืองแร่ เรานำเสนอที่มีประสิทธิภาพวิธีกาาและขนาดสำหรับกราฟหมวดหมู่ในฐานข้อมูลขนาดใหญ่ ของเราใช้วิธีใหม่subgraph แนวทางสนับสนุน subgraph โดยพลการเข้ารหัสเพื่อสำรวจรูปแบบและพิจารณา subgraph รูปแบบอวกาศในกระบวนการที่คล้ายกับวิวัฒนาการทางชีววิทยา ในลักษณะนี้ไกอาจะสามารถหาค่า subgraph รูปแบบ มาก เร็วกว่าอัลกอริทึมอื่น ๆ นอกจากนี้ เราใช้ประโยชน์จากขนานคอมพิวเตอร์เพื่อปรับปรุงคุณภาพของรูปแบบ ส่งผลให้ ในสุดท้าย เราใช้ความคุ้มครองต่อเนื่องเพื่อสร้างสมาคมกฎเป็นลักษณนามใช้รูปแบบกราฟที่ขุดโดยไกอาการทดลองนี้ได้ทำการวิเคราะห์อย่างละเอียดประสิทธิภาพของไกอา และเปรียบเทียบกับอีกสองรัฐของศิลปะวิธี Gaia มีประสิทธิภาพดีกว่าวิธีอื่น ๆ ทั้งในแง่ของความถูกต้องของการจำแนกและประสิทธิภาพรันไทม์ .