图流中摘要压缩与变化检测的平衡
机器学习
2023-12-13 v2 信息论
机器学习
math.IT
摘要
本研究探讨图摘要压缩与图变化检测之间的平衡问题。图摘要将大规模图压缩至较小规模。然而，原始图应被压缩到何种程度仍属未知。该问题从图变化检测的角度得以解决，旨在利用摘要图流检测统计显著的变化。若压缩率极高，重要变化可能被忽略；若压缩率极低，误报可能随内存增加而增多。这意味着图摘要的压缩率与变化检测的准确率之间存在权衡。我们提出一种新颖的定量方法以平衡该权衡，从而同时实现可靠的图摘要与变化检测。我们将层次隐变量模型的概率结构引入图中，基于最小描述长度原则设计参数化摘要图。随后优化指定摘要图的参数，以保证变化检测准确率，将第一类错误概率（误报概率）抑制在给定置信水平以下。首先，我们提供连接图摘要与变化检测的理论框架。继而，我们在合成与真实数据集上实证展示其有效性。
引用
@article{arxiv.2311.18694,
title = {Balancing Summarization and Change Detection in Graph Streams},
author = {Shintaro Fukushima and Kenji Yamanishi},
journal= {arXiv preprint arXiv:2311.18694},
year = {2023}
}
备注
6 pages, Accepted to 23rd IEEE International Conference on Data Mining (ICDM2023)