BEACON：用于高效准确计数子图的基准
数据结构与算法
2025-04-16 v1 人工智能
数据库
社会与信息网络
摘要
子图计数是确定查询模式在大型图中实例数量的任务，这是许多关键应用的核心，从分析金融网络和交通系统到理解生物相互作用。尽管数十年的工作产生了高效算法(AL)解决方案，以及更近期的机器学习(ML)方法，但清晰的比较理解仍然尚未实现。这一差距源于缺乏统一的评估框架、标准化数据集和可访问的真实答案，这些因素阻碍了系统性分析和公平基准测试。为克服这些障碍，我们引入 BEACON：一个全面的基准，旨�样严格评估 AL 和 ML 基于子图计数的方法。BEACON 提供具有验证真实答案的标准化数据集、集成的评估环境以及公开的排行榜，使不同方法的可重复和透明比较成为可能。我们的广泛实验表明，尽管 AL 方法在非常大的图上高效计数子图，但在处理复杂模式（例如超过六个节点的模式）时仍感到挑战。相比之下，ML 方法能够处理更大的模式，但需要大量图数据输入，并且在小型稠密图上往往产生次优准确率。这些发现不仅凸显了每种方法的独特优势和局限性，也为子图计数技术的未来发展指明了方向。总体而言，BEACON 代表了统一和加速子图计数研究的重要一步，鼓励创新解决方案并深化对算法与机器学习范式之间权衡的理解。
引用
@article{arxiv.2504.10948,
title = {BEACON: A Benchmark for Efficient and Accurate Counting of Subgraphs},
author = {Mohammad Matin Najafi and Xianju Zhu and Chrysanthi Kosyfaki and Laks V. S. Lakshmanan and Reynold Cheng},
journal= {arXiv preprint arXiv:2504.10948},
year = {2025}
}