RLMiner：通过强化学习寻找最频繁的k规模子图
数据库
2026-02-16 v2
摘要
在目标图中识别大小为的最频繁诱导子图是一个基础的图挖掘问题，对Web相关数据挖掘和社交网络分析具有直接影响。尽管其重要性，但由于子图计数任务的NP难性质，寻找最频繁诱导子图在计算上仍然昂贵。传统的精确枚举算法通常面临高时间复杂度，特别是对于较大的图规模。为了缓解这一问题，现有方法常利用具有向下封闭性质的频率度量来减少搜索空间，从而对任务施加了额外约束。在本文中，我们首先将此任务形式化为一个马尔可夫决策过程，并使用多任务强化学习框架来处理它。具体来说，我们引入了RLMiner，一个新颖的框架，它将强化学习与我们提出的任务状态感知图神经网络相结合，以时间复杂度与成线性关系的方式找到大小为的最频繁诱导子图。在真实世界数据集上的大量实验表明，我们提出的RLMiner能够有效识别频率与真实最频繁诱导子图高度匹配的子图，同时与传统方法相比，实现了显著更短且更稳定的运行时间。
引用
@article{arxiv.2601.12416,
title = {RLMiner: Finding the Most Frequent k-sized Subgraph via Reinforcement Learning},
author = {Wei Huang and Hanchen Wang and Dong Wen and Xin Cao and Bocheng Han and Ying Zhang and Wenjie Zhang},
journal= {arXiv preprint arXiv:2601.12416},
year = {2026}
}