Graph pattern mining: consolidating models, systems, and abstractions

• Autor(a) principal: Vinícius Vitor dos Santos Dias
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/51806
• topic: Mineração de padrões em grafos; Sistemas distribuídos; Computação – Teses; Mineração de padrões em grafos – Teses; Sistemas distribuídos – Teses

Mineração de padrões em grafos (MPG) se refere a uma classe de problemas envolvendo o processamento de subgrafos extraídos de um único grafo maior. Aplicações para algoritmos de MPG incluem consultas por subgrafos com certas propriedades de interesse, identificação de estruturas em redes biológicas, caracterização de redes sociais, entre outras. Desenvolver algoritmos de MPG é desafiador principalmente pela inerente presença de sub-rotinas não-triviais lidando com conceitos complexos em teoria de grafos, como identificação de isomorfismos. Neste contexto, sistemas de propósito geral para MPG surgem como uma alternativa para melhorar a experiência de usuários com esses algoritmos. Entretanto, sistemas de propósito geral para MPG falham em prover um modelo que seja de fácil entendimento e, ao mesmo tempo, qualificado para exprimir algoritmos alternativos para um mesmo problema usando diferentes paradigmas de enumeração de subgrafos, limitando a integração com fluxos de análise de dados atuais. Além disso, como sistemas de MPG são tão heterogêneos no que se refere aos paradigmas suportados e ambientes de execução, análises experimentais existentes são incapazes de diferenciar se as diferenças encontradas no desempenho dos sistemas são melhor explicadas pelos algoritmos utilizados ou pelos detalhes de implementação. Nesta tese, propomos um modelo para MPG baseado em primitivas, uma implementação distribuída escalável como prova de conceito para o modelo e uma avaliação experimental extensiva dos paradigmas mais usados por sistemas de MPG. Nós demonstramos empiricamente a efetividade de nossas soluções ao observar um desempenho competitivo em relação às propostas existentes sem sacrificar a expressividade dos algoritmos ou a capacidade de composição dos operadores. Nossos resultados mostram ainda que nenhum paradigma é melhor em todo cenário de aplicação e acreditamos que essa e outras de nossas descobertas podem guiar interessados em direção a sistemas de MPG mais otimizados no futuro.