特許ウォッチ

公開番号2024169352
公報種別公開特許公報(A)
公開日2024-12-05
出願番号2024080914
出願日2024-05-17
発明の名称グラフ分析アルゴリズムによるグラフの説明可能性の向上
出願人富士通株式会社
代理人個人,個人
主分類G06N 5/045 20230101AFI20241128BHJP(計算;計数)
要約【課題】グラフ分析アルゴリズムによるグラフの説明可能性を向上させる方法、記憶倍媒体及びシステムを提供する。
【解決手段】方法は、1つ以上のサブグラフを含むグラフ構造化データのデータセットを取得し、グラフ構造化データのデータセットのグラフ説明可能な人工知能(GXAI)技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定し、相関に基づいて、複数のグラフ分析アルゴリズムのランク付きリストを生成し、グラフ構造データのデータセットの1つ以上のサブグラフ間の類似性を示す一般的特性を決定し、複数のグラフ分析アルゴリズムのランク付きリストに基づいて、閾値数のグラフ分析アルゴリズムを一般的特性に割り当て、一般的特性及び閾値数のグラフ分析アルゴリズムを含む割り当てテーブルを生成し、表示を、割り当てテーブルを視覚化するグラフィカルユーザインタフェース(GUI)内で生成する。
【選択図】図2
特許請求の範囲【請求項１】
グラフ構造化データのデータセットを取得するステップであって、前記データセットは１つ以上のサブグラフを含む、ステップと、
グラフ構造化データの前記データセットのグラフ説明可能な人工知能（GXAI）技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定するステップと、
前記相関に基づいて、前記複数のグラフ分析アルゴリズムのランク付きリストを生成するステップと、
グラフ構造化データの前記データセットの一般的特性を決定するステップであって、前記一般的特性が１つ以上のサブグラフ間の類似性を示す、ステップと、
前記複数のグラフ分析アルゴリズムのランク付きリストに基づいて、閾値数の分析アルゴリズムを前記一般的特性に割り当てるステップと、
前記一般的特性及び前記閾値数のグラフ分析アルゴリズムを含む割り当てテーブルを生成するステップと、
前記割り当てテーブルを視覚化するグラフィカルユーザインタフェース（GUI）内の表示を生成するステップと、
を含む方法。
続きを表示（約 2,600 文字）【請求項２】
前記GXAI技術を使用することは、
グラフ構造化データの前記データセット及びグラフニューラルネットワーク（GNN）に基づいて、機械学習（ML）モデルをトレーニングするステップと、
GNN説明器によって、グラフ構造化データの前記データセットの各ノード又はエッジが前記MLモデルのトレーニングにどのように貢献するかを示す数値貢献スコアを生成するステップと、
を含む、請求項１に記載の方法。
【請求項３】
グラフ構造化データの前記データセットのGXAI技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定するステップは、
前記GXAI技術を使用して、第１分析の第１ベクトルを生成するステップと、
前記複数のグラフ分析アルゴリズムを使用して、第２分析の第２ベクトルを生成するステップと、
前記第１ベクトル及び前記第２ベクトルに基づいて類似性スコアを計算するステップと、
を含む、請求項１に記載の方法。
【請求項４】
前記相関に基づいて、前記グラフ分析アルゴリズムの前記ランク付きリストを生成するステップは、
少なくとも第１列及び第２列を有するランクテーブルを生成するステップであって、前記第１列は前記グラフ分析アルゴリズムを含み、前記第２列は前記グラフ分析アルゴリズムのランクを示す、ステップと、
前記相関に基づいて、前記グラフ分析アルゴリズムをランク番号でランク付けするステップと、
前記ランクテーブルを前記ランク番号に従ってソートするステップと、
前記ランクテーブルを出力するステップと、
を含む、請求項１に記載の方法。
【請求項５】
グラフ構造化データの前記データセットの前記一般的特性を決定するステップは、
前記１つ以上のサブグラフの各々についてベクトルを生成するステップと、
前記１つ以上のサブグラフの前記ベクトルの平均ベクトルを計算するステップと、
を含む、請求項１に記載の方法。
【請求項６】
前記グラフ構造化データの第２データセットを取得するステップと、
前記グラフ構造化データの第２データセットの第２一般的特性を決定するステップと、
前記第２一般的特性が前記一般的特性に類似していることを決定するステップと、
前記割り当てテーブルを読み出すステップと、
前記割り当てテーブルに存在する閾値数の分析アルゴリズムを前記第２一般的特性に割り当てるステップと、
前記第２一般的特性及び前記閾値数のグラフ分析アルゴリズムを含む第２割り当てテーブルを生成するステップと、
前記第２割り当てテーブルを視覚化する前記GUI内の表示を生成するステップと、
を更に含む請求項１に記載の方法。
【請求項７】
グラフ構造化データの第２データセットを取得するステップと、
グラフ構造化データの前記第２データセットの第２一般的特性を決定するステップと、
前記第２一般的特性が前記一般的特性に類似していないことを決定するステップと、
グラフ構造化データの前記第２データセットのGXAI技術を使用した分析と前記複数のグラフ分析アルゴリズムを使用した分析との間の第２相関に基づいて、前記複数のグラフ分析アルゴリズムの第２ランク付きリストを生成するステップと、
を更に含む請求項１に記載の方法。
【請求項８】
命令を格納するように構成された１つ以上の非一時的コンピュータ可読記憶媒体であって、前記命令は、実行されたことに応答してシステムに動作を実行させ、前記動作は、
グラフ構造化データのデータセットを取得するステップであって、前記データセットは１つ以上のサブグラフを含む、ステップと、
グラフ構造化データの前記データセットのグラフ説明可能な人工知能（GXAI）技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定するステップと、
前記相関に基づいて、前記複数のグラフ分析アルゴリズムのランク付きリストを生成するステップと、
グラフ構造化データの前記データセットの一般的特性を決定するステップであって、前記一般的特性が１つ以上のサブグラフ間の類似性を示す、ステップと、
前記複数のグラフ分析アルゴリズムのランク付きリストに基づいて、閾値数の最高性能グラフ分析アルゴリズムを前記一般的特性に割り当てるステップと、
前記一般的特性及び前記閾値数の最高性能グラフ分析アルゴリズムを含む割り当てテーブルを生成するステップと、
前記割り当てテーブルを視覚化するグラフィカルユーザインタフェース（GUI）内の表示を生成するステップと、
を含む、１つ以上の非一時的コンピュータ可読記憶媒体。
【請求項９】
前記GXAI技術を使用することは、
グラフ構造化データの前記データセット及びグラフニューラルネットワーク（GNN）に基づいて、機械学習（ML）モデルをトレーニングするステップと、
GNN説明器によって、グラフ構造化データの前記データセットの各ノード又はエッジが前記MLモデルのトレーニングにどのように貢献するかを示す数値貢献スコアを生成するステップと、
を含む、請求項８に記載の１つ以上の非一時的コンピュータ可読記憶媒体。
【請求項１０】
グラフ構造化データの前記データセットのGXAI技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定するステップは、
前記GXAI技術を使用して、第１分析の第１ベクトルを生成するステップと、
前記複数のグラフ分析アルゴリズムを使用して、第２分析の第２ベクトルを生成するステップと、
前記第１ベクトル及び前記第２ベクトルに基づいて、ピアソン相関係数又はコサイン類似度を計算するステップと、
を含む、請求項８に記載の１つ以上の非一時的コンピュータ可読記憶媒体。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示で説明する実施形態は、概してグラフ分析アルゴリズムによるグラフの説明可能性の向上に関する。
続きを表示（約 1,200 文字）【背景技術】
【０００２】
グラフ構造内のデータセットは、グラフ分析アルゴリズムを使用して分析することができる。例えば、グラフ分析アルゴリズムは、パターン及び異常を含むデータセットの全体構造に関する情報を提供することができる。しかしながら、多数のグラフ分析アルゴリズムが存在する可能性があり、これは、どのグラフ分析アルゴリズムをデータセットに使用すべきかを決定することを困難にする可能性がある。
【０００３】
本開示で請求される主題は、任意の欠点を解決する実施形態又は上述のような環境でのみ動作する実施形態に限定されない。むしろ、この背景技術は、本開示に記載の幾つかの実施形態が実施され得る一例である技術領域を説明するためにのみ提供される。
【発明の概要】
【０００４】
例示的な実施形態では、方法は、グラフ構造化データのデータセットを取得することを含むことができ、データセットは１つ以上のサブグラフを含む。方法は、データセットのグラフ説明可能な人工知能（graph explainable artificial intelligence （GXAI））技術を使用した分析と複数のグラフ分析アルゴリズムを使用した分析との間の相関を決定することを更に含むことができる。相関に基づいて、複数のグラフ分析アルゴリズムのランク付きリストを生成することができる。方法は、グラフ構造化データのデータセットの一般的特性を決定することを更に含むことができ、一般的特性は１つ以上のサブグラフ間の類似性を示す。方法は、複数のグラフ分析アルゴリズムのランク付きリストに基づいて、閾値数のグラフ分析アルゴリズムを一般的特性に割り当てることを更に含み得る。一般特性及び閾値数のグラフ分析アルゴリズムを含む割り当てテーブルを生成することができる。表示は、割り当てテーブルを視覚化するグラフィカルユーザインタフェース（GUI）内で生成することができる。
【０００５】
実施形態の目的及び利点は、請求項において特に指摘される要素、特徴、及び組み合わせにより少なくとも実現され達成される。
【０００６】
前述の一般的説明及び以下の詳細な説明は両方とも例として与えられ、説明のためであり、請求される本発明の限定ではない。
【図面の簡単な説明】
【０００７】
例示的な実施形態は、以下の添付の図面の使用を通じて更なる特殊性及び詳細事項により記載され説明される。
【０００８】
グラフ分析アルゴリズムを分類するための例示的な処理フローを示す図である。
【０００９】
グラフ分析アルゴリズムを分類する例示的な方法のフローチャートを示す。
【００１０】
データセットのグラフ分析アルゴリズムを選択するための例示的な方法のフローチャートである。
（【００１１】以降は省略されています）

関連特許