VACULÍK, Karel a Lubomír POPELÍNSKÝ. A genetic algorithm for discriminative graph pattern mining. In Bipin C. Desai and Dimosthenis Anagnostopoulos and Yannis Manolopoulos and Mara Nikolaidou. Proceedings of the 23rd International Database Applications & Engineering Symposium, IDEAS 2019, Athens, Greece. New York: ACM, 2019. s. 461-462, 2 s. ISBN 978-1-4503-6249-8. doi:10.1145/3331076.3331113.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název A genetic algorithm for discriminative graph pattern mining
Autoři VACULÍK, Karel (203 Česká republika, domácí) a Lubomír POPELÍNSKÝ (203 Česká republika, domácí).
Vydání New York, Proceedings of the 23rd International Database Applications & Engineering Symposium, IDEAS 2019, Athens, Greece, od s. 461-462, 2 s. 2019.
Nakladatel ACM
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10200 1.2 Computer and information sciences
Stát vydavatele Spojené státy
Utajení není předmětem státního či obchodního tajemství
Forma vydání elektronická verze "online"
Kód RIV RIV/00216224:14330/19:00110952
Organizační jednotka Fakulta informatiky
ISBN 978-1-4503-6249-8
Doi http://dx.doi.org/10.1145/3331076.3331113
Klíčová slova česky data mining; graph mining; dynamic graphs; pattern mining; discriminative patterns; random walk; genetic algorithm
Klíčová slova anglicky data mining; graph mining; dynamic graphs; pattern mining; discriminative patterns; random walk; genetic algorithm
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 3. 5. 2020 13:24.
Anotace
Real-world networks typically evolve through time, which means there are various events occurring, such as edge additions or at- tribute changes. We propose a new algorithm for mining discriminative patterns of events in such dynamic graphs. This is dierent from other approaches, which typically discriminate whole static graphs while we focus on subgraphs that represent local events. Three tools have been employed The algorithm uses random walks and a nested genetic algo- rithm to nd the patterns through inexact matching. Furthermore, it does not require the time to be discretized as other algorithms commonly do. We have evaluated the algorithm on real-world graph data like DBLP and Enron. We show that the method outperforms baseline algorithm for all data sets and that the increase of accuracy is quite high, between 2.5for NIPS vs. KDD from DBLP dataset and 30% for Enron dataset. We also discus possible extensions of the algorithm.
Návaznosti
MUNI/A/1018/2018, interní kód MUNázev: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VIII.
Investor: Masarykova univerzita, Grantová agentura MU, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 23. 9. 2020 09:23