[論文レビュー] Generalized Graph Pattern Matching

Pedro Almagro-Blanco, Fernando Sancho Caparrini|arXiv (Cornell University)|Aug 12, 2017

Graph Theory and Algorithms参考文献 6被引用数 4

ひとこと要約

本稿では、一般化グラフクエリ（GGQ）を紹介する。GGQは、強力な述語と微調整を用いて、循環的で複雑な部分グラフパターンをサポートする、選択グラフを拡張した耐障害性の高い論理的フレームワークである。GGQは、知識発見およびホワイトボックス機械学習向けに、効率的で自動化されたクエリ構築を可能にする。これは、決定木学習のためのGGQ-ID3アルゴリズムへの統合を通じて実証された。

ABSTRACT

Most of the machine learning algorithms are limited to learn from flat data: a recordset with prefixed structure. When learning from a record, these types of algorithms don't take into account other objects even though they are directly connected to it and can provide valuable information for the learning task. In this paper we present the concept of Generalized Graph Query, a query tool over graphs or multi-relational data structures. They are built using the same graph structure as generalized graphs and allow to express powerful relational and non-relational restrictions on this type of data. Also, this paper shows mechanisms to build this kind of queries dynamically and how they can be used to perform bottom-up discovery processes through machine laerning techniques. ----- La mayoría de los algoritmos que aprenden a partir de datos están limitados ya que sólo son capaces de aprender a partir de datos estructurados en forma de tabla en la que cada fila representa un registro y cada columna una propiedad asociada. Estos algoritmos, no tienen en cuenta los atributos de las estructuras con las que un registro dado puede estar relacionado, a pesar de que éstos pueden aportar información útil a la hora de llevar a cabo la tarea de aprendizaje. En este artículo presentamos el concepto de Generalized Graph Query, una herramienta de consulta de patrones en grafos generalizados. Dicha herramienta ha sido construida utilizando la estructura de Grafo Generalizado y permite expresar restricciones relacionales y no relacionales sobre este tipo de estructuras. Además, en este artículo se presentan mecanismos para la construcción automática de este tipo de consultas y se muestra cómo éstas pueden ser utilizadas en procesos de descubrimiento tipo bottom-up a través de técnicas relacionadas con el Aprendizaje Automático.

研究の動機と目的

• 基本的な部分グラフ同型性を超える複雑なパターン検出に向けた、グラフデータベースにおける標準的で表現力のあるクエリメカニズムの欠如に対処すること。
• 選択グラフのような既存のクエリモデルを、循環的パターン、より豊富な述語、柔軟な微調整をサポートするように一般化すること。
• ホワイトボックス機械学習および知識発見に適した、自動的かつ制御された複雑さのクエリ生成の基盤を提供すること。
• 埋め込み構造のパーティションを生成するコンポジショナルな微調整操作を通じて、複雑なクエリの効率的構築を可能にすること。

提案手法

• ノード、エッジ、プロパティをサポートする一般化グラフ構造を用いた、プロパティグラフをクエリする論理的フレームワークとしてGGQを提案する。
• 同型性を超えたパターン照合を、グラフシミュレーションおよびバウンデッドシミュレーションへと拡張し、制約付きの柔軟な部分グラフ照合を可能にする。
• パターン内の各ノードをルートとするツリーに基づく評価メカニズムを導入し、経路の交差を通じて循環的パターンの検出を可能にする。
• 単純なクエリから複雑なGGQを構築できる原子的微調整操作のセットを定義する。微調整は、k個の述語を変更した場合に$2^k$のバリエーションを生成する。
• 構造的・意味的・正確・最適なクエリをサポートする宣言的クエリスタイルを採用し、Gremlinのような実行エンジンへのコンパイルの可能性を有する。
• POC実装を通じてGGQを適用し、多関係的決定木学習のためのGGQ-ID3アルゴリズムに統合する。

実験結果

リサーチクエスチョン

• RQ1 部分グラフ同型性を超えて、単純な同型性を超える循環的で複雑な部分グラフパターンをサポートするためには、グラフパターン照合をどのように一般化できるか？
• RQ2 制御された複雑さのフレームワーク内で、単純なクエリから複雑なクエリを体系的かつ自動的に構築するための微調整操作は何か？
• RQ3 GGQは、グラフ構造データにおける知識発見のための堅牢で拡張可能なクエリ言語として機能できるか？
• RQ4 複雑なパターン検出において、SPARQL、Cypher、Gremlinなどの既存のクエリ言語と比較して、GGQの表現力と効率性はどのように異なるか？

主な発見

• GGQは、パターン内の各ノードをルートとするツリーを評価することで、循環的パターンの検出を成功裏に実現し、従来のプロジェクションベース手法の制限を克服した。
• フレームワークは、コンポジショナルな微調整を通じて複雑なクエリの構築を可能にし、k個の述語を変更した微調整ファミリーは$2^k$のバリエーションを生成する。
• GGQを意思決定木のテストに用いるGGQ-ID3アルゴリズムは、グラフ構造データから意味のある複雑なパターンを効果的に抽出し、知識発見に貢献した。
• 微調整集合は、原子的操作（例：1ステップでエッジとプロパティを追加）を組み合わせることで最適化可能であり、ステップ数を削減し効率性を向上させることができる。
• 微小な変更でハイパーグラフにも拡張可能であり、一般化されたハイパーグラフクエリサポートへの自然な道筋を示唆している。
• 実験的検証により、GGQが実世界の知識発見タスク、特に多関係的学習パイプラインにおいて実用的であることが確認された。