Efficient Discovery of Motif Transition Process for Large-Scale Temporal Graphs

要約

一時的なグラフでモチーフの動的遷移を理解することは、グラフ構造が時間の経過とともに進化し、重要なパターンを特定し、将来の行動を予測する方法を明らかにするために不可欠ですが、既存の方法は事前定義されたモチーフに焦点を当て、透明と相互関係を包括的にキャプチャする能力を制限することがよくあります。
大規模な時間グラフでモチーフ遷移プロセスを発見するための新しい並列方法である並列モチーフ遷移プロセス発見アルゴリズムPTMTを提案します。
PTMTは、ツリーベースのフレームワークを、時間と構造によって時間と構造をパーティション化しながら、ロスレスモチーフの遷移を保存し、大規模な並列性を可能にしながら、時間と構造を分割するタイムゾーンパーティション（TZP）戦略と統合します。
PTMTは、成長ゾーンの並列膨張、オーバーラップアウェア結果集計、およびモチーフ遷移の決定論的エンコードの3つのフェーズで構成され、動的遷移と相互作用の正確な追跡を確保します。
10個の実際のデータセットの結果は、PTMTがSOTAメソッドと比較して12.0 $ \ Times $から50.3 $ \ Times $の範囲のスピードアップを達成することを示しています。

要約(オリジナル)

Understanding the dynamic transition of motifs in temporal graphs is essential for revealing how graph structures evolve over time, identifying critical patterns, and predicting future behaviors, yet existing methods often focus on predefined motifs, limiting their ability to comprehensively capture transitions and interrelationships. We propose a parallel motif transition process discovery algorithm, PTMT, a novel parallel method for discovering motif transition processes in large-scale temporal graphs. PTMT integrates a tree-based framework with the temporal zone partitioning (TZP) strategy, which partitions temporal graphs by time and structure while preserving lossless motif transitions and enabling massive parallelism. PTMT comprises three phases: growth zone parallel expansion, overlap-aware result aggregation, and deterministic encoding of motif transitions, ensuring accurate tracking of dynamic transitions and interactions. Results on 10 real-world datasets demonstrate that PTMT achieves speedups ranging from 12.0$\times$ to 50.3$\times$ compared to the SOTA method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google