DS-Span：面向高效图嵌入的单阶段判别子图挖掘
机器学习
2025-12-05 v2 人工智能
摘要
图表示学习旨在将复杂的高维图结构转化为保持拓扑结构和语义的紧凑向量空间。在各种策略中，子图方法提供了符号模式发现与连续嵌入学习之间的可解释桥梁。然而，现有的频繁或判别子图挖掘方法常常 suffer 从冗余的多阶段管道、高计算成本以及矣劣力子图结构与其判别相关性之间的弱耦合。我们提出 DS-Span，一种单阶段判别子图挖掘框架，在搜索空间的单个遍历中统一了模式增长、修剪和基于监督的评分。DS-Span 引入一种覆盖受限的资格机制，在图被充分表示后动态限制探索，并引入信息增益引导的选择，促进具有强类分离能力的子图同时最小化冗余。得到的子图集合作为下游图嵌入和分类的有效、可解释基础。广泛的基准实验表明，DS-Span 生成的子图特征比以前的多阶段方法更紧凑且更具判别性，在显著降低运行时间的同时实现更高或相当的准确率。这些结果凸显了统一单阶段判别挖掘作为可扩展且可解释图表示学习基础的潜力。
引用
@article{arxiv.2511.17419,
title = {DS-Span: Single-Phase Discriminative Subgraph Mining for Efficient Graph Embeddings},
author = {Yeamin Kaiser and Muhammed Tasnim Bin Anwar and Bholanath Das},
journal= {arXiv preprint arXiv:2511.17419},
year = {2025}
}