Mayura：利用图案相似性进行时序共掏 mining
数据库
2025-07-22 v1 分布式、并行与集群计算
性能
摘要
时序图是建模从金融网络到社交媒体中演化相互作用的关键基础。挖掘时序图案对于欺诈检测、网络安全和动态网络分析等应用至关重要。然而，传统的图案挖掘方法将每个查询独立处理，当多个图案之间存在相似子结构时，将产生显著的冗余计算。在本文中，我们提出了Mayura，一个统一挖掘多个时序图案的新型框架，通过利用其固有的结构和时序共性。我们方法的核心是Motif-Group树（MG-Tree），这是一种层次化数据结构，用于组织相关图案并实现公共搜索路径的复用，从而减少冗余计算。我们提出了一种利用MG-Tree的共掏算法，并开发了灵活的运行时，能够同时利用CPU和GPU架构实现可扩展性能。在多样化的真实数据集上的实验结果表明，Mayura相比挖掘每个图案的先进技术在CPU上平均提速2.4倍，在GPU上平均提速1.7倍，同时保持对高风险应用所需的精确性。
引用
@article{arxiv.2507.14813,
title = {Mayura: Exploiting Similarities in Motifs for Temporal Co-Mining},
author = {Sanjay Sri Vallabh Singapuram and Ronald Dreslinski and Nishil Talati},
journal= {arXiv preprint arXiv:2507.14813},
year = {2025}
}