빈발 부분그래프들은 그래프 분류를 위한 특징으로 널리 사용되고 있다. 생성된 많은 수의 빈발 부분그래프들 중에서, 분류에 유용한 빈발 부분그래프들의 선택은 그래프 분류 성능에 매우 중요하다. 그런데, 기존의 특징 선택 방법들은 개별 빈발 부분그래프들의 변별력만을 고려하여 분류 성능이 떨어지는 문제가 있다. 본 논문에서는 빈발 부분그래프의 동시 발생을 모델 기반 탐색 트리에 적용한 그래프 분류 기법을 제안하고 효율적인 알고리즘을 제시한다. 제안하는 기법은 마이닝 된 빈발 부분그래프들로 구성된 특징 집합들 중에 빈발 부분그래프들의 개별적인 변별력뿐만 아니라 동시 발생 변별력을 함께 고려하여 분류에 더 유용한 특징들을 선택한다. 실험을 통하여 제안하는 기법이 기존의 개별 특징 선택 기법보다 더 높은 그래프 분류 성능을 갖는 것을 보인다.
Frequent subgraphs are widely used as feature vectors in graph classification. It is very important for a graph classification performance to select useful frequent subgraphs from many mined frequent subgraphs. The existing feature selection studies have a shortcoming that is a classification performance degradation from the lack of discrimination power among individual patterns. In this paper, we propose a model based search tree using co-occurrence of frequent subgraphs, and suggest an efficient algorithm. The proposed approach selects more discriminative frequent features considering both discriminative individual and discriminative co- occurrent frequent subgraphs. In experiment, we show that our proposed technique can have a higher graph classification performance compared to existing approach.
