分布式图聚类与稀疏化
本文研究了大规模图的本地算法设计并提出了一种本地聚类算法,该算法可在几乎线性的时间内找到较好的簇,并基于该聚类算法提出了一种划分算法,进而设计了求解对称对角占优矩阵中线性系统的近线性算法,还提出了其他相关结果。
Sep, 2008
通过优化混合矩阵,改进分散式学习的能源效率,该研究将问题建模为双层优化,其中底层通过图稀疏化求解,针对全连接基底拓扑提出了一种拥有保证性能的解决方案,针对一般情况提出了一种贪心启发式方法,并通过基于真实拓扑和数据集的模拟验证,结果表明该方案可以在保持训练模型质量的前提下,将最繁忙节点的能耗降低 54%-76%。
Jan, 2024
该研究使用基于矩阵草图的方法来解决在大规模图分析中传统方法遇到的挑战,尤其是无监督学习的社区结构划分问题,实验表明该方法在分配内存中可以获得出色的聚类效果,同时提高了聚类速度。
Jul, 2020
本文研究了基于有向图的聚类,提出了基于 Hermitian 矩阵的近线性时间算法,并在合理假设下进一步证明该算法可以在亚线性时间内实现,并在 UN Comtrade 数据集上进行了广泛的实验,证明了算法的重要性。
Nov, 2020
本文提出了一种基于图拉普拉斯矩阵谱相似性的新型图稀疏化方法,证明了任何图都有近乎线性大小的谱稀疏化,并给出了一个可在几乎线性时间内构建谱稀疏化的算法,该方法的关键组成部分之一是对具有强保证的近乎线性时间图划分算法的使用。
Aug, 2008
本文提出了一种相似性感知的谱图稀疏化框架,利用有效的谱偏树边嵌入和过滤方案构建谱稀疏化,实现了保证谱相似度(相对条件数)水平的过滤,同时介绍了迭代图密度增加方案以促进高度病态问题的有效过滤。该方法已验证了各种公共领域稀疏矩阵收集到的图表,包括与 VLSI CAD、有限元分析、社会和数据网络频繁研究的许多机器学习和数据挖掘应用相关的图表。
Nov, 2019
本文提出了一种改进的光谱聚类算法,旨在解决预定义的相似性图可能不是合适的聚类结果,并且传统离散化解决方法与光谱解决方案可能不一致的问题,并引入多核学习来解决如何选择最适合特定数据集的核的应用挑战。实验结果表明,该方法相比于现有的聚类方法具有更好的性能。
Nov, 2017
本研究提出了一种基于顶点嵌入的简单谱聚类算法,通过幂法计算的向量,在接近线性时间内计算顶点嵌入,并在输入图形的自然假设下,算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现,该算法与其他聚类算法相比,具有显著更快的速度,并且产生的聚类准确度基本相同。
Oct, 2023
该论文提出了一种基于图分割的分布式计算算法,其可以有效降低数据分布式处理过程中的通信成本,实验结果表明该算法能够在机器学习系统中实现 1.6 倍的加速,并且消除 90%的网络通信。
May, 2015