本記事では、グラフ表現学習における新しいアプローチ「DS-Span」を提案しています。DS-Spanは、複雑な高次元グラフ構造をコンパクトなベクトル空間に変換し、トポロジーと意味論を保存するための手法です。従来の手法が持つ多段階パイプラインの冗長性や高コスト、識別的関連性の弱さを克服し、パターン成長、剪定、監視駆動のスコアリングを1回の検索で統合しています。また、カバレッジ制限機能を導入し、情報利得に基づいた選択肢を促進することで、強力なクラス区分能力を持つ部分グラフを特定します。実験結果では、DS-Spanが従来の手法よりもコンパクトで識別性の高い部分グラフ特徴を生成し、精度の向上と処理時間の大幅な短縮を実現しています。この成果は、スケーラブルで解釈可能なグラフ表現学習の基盤としての単相識別マイニングの可能性を示しています。