[論文レビュー] RLMiner: Finding the Most Frequent k-sized Subgraph via Reinforcement Learning

Wei Huang, Hanchen Wang+5 more|arXiv (Cornell University)|Jan 18, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

RLMiner は、単一のラベル付きグラフにおける最頻の誘導 k-部分グラフを多タスク強化学習問題として定式化し、SAC 内のタスク状態認識 GNN を用いて線形な k に対する時間計算量を実現する近似手法を提供します。実際の列挙よりはるかに高速で安定したランタイムで、ほぼ真値の頻度に近い値を達成します。

ABSTRACT

Identifying the most frequent induced subgraph of size $k$ in a target graph is a fundamental graph mining problem with direct implications for Web-related data mining and social network analysis. Despite its importance, finding the most frequent induced subgraph remains computationally expensive due to the NP-hard nature of the subgraph counting task. Traditional exact enumeration algorithms often suffer from high time complexity, especially for a large graph size $k$. To mitigate this, existing approaches often utilize frequency measurement with the Downward Closure Property to reduce the search space, imposing additional constraints on the task. In this paper, we first formulate this task as a Markov Decision Process and approach it using a multi-task reinforcement learning framework. Specifically, we introduce RLMiner, a novel framework that integrates reinforcement learning with our proposed task-state-aware Graph Neural Network to find the most frequent induced subgraph of size $k$ with a time complexity linear to $k$. Extensive experiments on real-world datasets demonstrate that our proposed RLMiner effectively identifies subgraphs with frequencies closely matching the ground-truth most frequent induced subgraphs, while achieving significantly shorter and more stable running times compared to traditional methods.

研究の動機と目的

• Downward Closure Property (DCP) に依らず、サイズ k の最頻誘導サブグラフを単一のラベル付きグラフで見つける問題の動機付け。
• 全探索ではなく、効率的な近似解法の開発。
• k に依存する局所構造を捉え、異なる k 値間でのマルチタスク学習を可能にするタスク状態認識グラフニューラルネットワークの提案。
• 従来の厳密手法よりも、近似品質を高く、実行時間を大幅に短く安定させる RLMiner の実現。

提案手法

• 問題を各サブグラフサイズ k を別個のタスクとしたマルチタスクマルコフ決定過程として定式化。
• 離散アクションのSoft Actor-Critic (SAC) フレームワークを用い、k サイズの誘導サブグラフを構築するノード追加アクションに対する方策を学習。
• タスク表現と状態表現をメッセージパッシングに統合し、局所的なサブグラフ構造を捉えるタスク状態認識グラフニューラルネットワークを導入。
• タスク認識および状態認識のメッセージパッシング（LEConv ベース）を導入し、深さと情報伝達を管理するゲーティングおよびスキップコネクション機構を組み込む。
• 局所サブグラフ表現に基づくアクション確率と Q 値を推定するための予測ヘッド（アクターとクリティック）をマルチヘッド注意機構で設計。
• グラフの大きさと密度に基づく正規化を含む報酬設計を導入し、学習を安定化。訓練時には最適サブグラフが利用可能な場合はそれを、そうでない場合は近似正規化を使用。
• 推論時にはサブグラフカウントを行わず、現在の部分サブグラフを拡張する各ステップを k 回実行して線形な-in-k 推論を実現。

実験結果

リサーチクエスチョン

• RQ1 DCP に基づく剪定なしで、マルチタスク SAC フレームワークが単一のラベル付きグラフにおける最頻の誘導 k-サブグラフを効果的に特定できるか。
• RQ2 タスク状態認識 GNN をどのように設計し、k に依存する局所サブグラフ構造を捉え、異なる k に対するマルチタスク学習を支援できるか。
• RQ3 報酬設計で訓練を安定化させ、高品質な近似をさまざまなターゲットグラフとサブグラフサイズで得られるか。
• RQ4 RLMiner は近似品質とランタイムの点で、厳密列挙や他の近似手法とどのように比較されるか。

主な発見

• RLMiner は最頻誘導 k-サブグラフを、真値に近い頻度で近似しつつ、厳密列挙よりはるかに短く安定したランタイムを提供します。
• 提案フレームワークの下で、k サイズのサブグラフを見つける計算量は k に線形です。
• タスク状態認識 GNN アーキテクチャは、グラフ上のマルチタスク強化学習に有効で、k 値間で知識を共有可能にします。
• 実データセット上の実験では、さまざまな k（5–9）とデータセットで近似比が良好で、厳密列挙やランダムサンプリングなどのベースラインと比較して好結果を示します。
• 推論時のサブグラフカウントを回避する点が、従来手法に対する大幅な効率向上に寄与します。
• 報酬正規化戦略（グラフサイズと密度に基づく正規化を含む）を検討し、サイズと密度が異なるグラフ間で訓練を安定化させます。