抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
毎日発生するデータの高騰量が与えられた時,グラフマイニングタスクが挑戦的になりつつ,要約手法のための大きな需要を導いた。特徴選択は特定のタスクに関連する特徴を選択することにより,データセットを単純化する代表的な方法である,分類,予測,および異常検出である。数特徴の観点からグラフを要約する方法として見ることができるが,探索的分析のための明確なではなく,条件(すなわち,他のグラフで条件づけられた入力グラフのための選択と多くのグラフからの特徴選択)よりもむしろ観測セットの上で動作する。本研究では,EAGLE(ドメインknowLEdgeを持つグラフの探索的分析),完全に自動的に解釈可能な,特徴およびドメイン特異的グラフ要約を生成する新しい手法を提案した。すなわち,異なるドメインで同じグラフ 例えば,社会科学と神経科学 は異なるEAGLE要約,ドメイン知識と期待を自動的にを介して記述されるであろう。ことは,入力グラフの最も代表的な特徴を持つ解釈可能な要約を見いだすように探索する最適化の定式化を提案した:多様な,簡潔,領域特異的,効率的であった。1m辺 までと~400特徴を持つ人工的および実世界データセット上での包括的な実験を行い,EAGLEの有効性と効率と既存の方法を上回るその利点を実証した。も著者らの方法は,様々なグラフマイニングタスクに適用可能になる方法を示し,分類と探索的分析である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】