Graph Fuzzy System: Concepts, Models and Algorithms

要約

ファジー システム (FS) は、強力な解釈能力と学習能力により、パターン認識、インテリジェント制御、データ マイニング、バイオインフォマティクスなど、さまざまな分野で広く応用されています。
従来のアプリケーション シナリオでは、FS は主にユークリッド空間データのモデル化に適用され、ソーシャル ネットワークや交通ルート マップなど、自然界の非ユークリッド構造のグラフ データを処理するために使用することはできません。
したがって、グラフデータに適し、従来の FS の利点を維持できる FS モデリング手法の開発は重要な研究です。
この課題に対処するために、本論文では、グラフ ファジー システム (GFS) と呼ばれるグラフ データ モデリング用の新しいタイプの FS を提案し、概念、モデリング フレームワーク、および構築アルゴリズムが体系的に開発されています。
まず、グラフ ファジー ルール ベース、グラフ ファジー セット、グラフ後件処理ユニット (GCPU) などの GFS 関連の概念が定義されます。
次に、GFS モデリング フレームワークが構築され、GFS の前件と後件が提示されて分析されます。
最後に、GFS の学習フレームワークを提案します。このフレームワークでは、GFS 前件部生成のための構築アルゴリズムを開発するためにカーネル K プロトタイプ グラフ クラスタリング (K2PGC) が提案され、次にグラフ ニューラル ネットワーク (GNN) に基づいて後件パラメータ学習アルゴリズムが提案されます。
が GFS に提案されています。
具体的には、さまざまなベンチマーク グラフ分類データセットでの実験による包括的な評価のために、GFS 実装アルゴリズムの 3 つの異なるバージョンが開発されています。
結果は、提案された GFS が既存の主流の GNN 手法と従来の FS 手法の両方の利点を継承しながら、対応するものよりも優れたパフォーマンスを達成していることを示しています。

要約(オリジナル)

Fuzzy systems (FSs) have enjoyed wide applications in various fields, including pattern recognition, intelligent control, data mining and bioinformatics, which is attributed to the strong interpretation and learning ability. In traditional application scenarios, FSs are mainly applied to model Euclidean space data and cannot be used to handle graph data of non-Euclidean structure in nature, such as social networks and traffic route maps. Therefore, development of FS modeling method that is suitable for graph data and can retain the advantages of traditional FSs is an important research. To meet this challenge, a new type of FS for graph data modeling called Graph Fuzzy System (GFS) is proposed in this paper, where the concepts, modeling framework and construction algorithms are systematically developed. First, GFS related concepts, including graph fuzzy rule base, graph fuzzy sets and graph consequent processing unit (GCPU), are defined. A GFS modeling framework is then constructed and the antecedents and consequents of the GFS are presented and analyzed. Finally, a learning framework of GFS is proposed, in which a kernel K-prototype graph clustering (K2PGC) is proposed to develop the construction algorithm for the GFS antecedent generation, and then based on graph neural network (GNNs), consequent parameters learning algorithm is proposed for GFS. Specifically, three different versions of the GFS implementation algorithm are developed for comprehensive evaluations with experiments on various benchmark graph classification datasets. The results demonstrate that the proposed GFS inherits the advantages of both existing mainstream GNNs methods and conventional FSs methods while achieving better performance than the counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google