Mar, 2019

GAP: 通用的近似图分区框架

PDF
TL;DR本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。
graph partitioningapproximate solutionsdeep learningoptimizationgeneralization
发现论文，激发创造
  • NeuroCUT: 面向鲁棒图分割的神经方法

    通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。

    Oct, 2023

  • 一种用于图划分中无监督图神经网络的新的可微损失函数

    本研究引入了一种新颖的流程，利用无监督图神经网络来解决图分割问题，并提出了一个专门用于此目的的可微损失函数。对于当前先进技术，我们对度量指标：割边和平衡进行了严格评估，结果表明我们的方法具有竞争力。

    Dec, 2023

  • 基于分区的图神经网络主动学习

    本文提出了一种基于图划分的半监督学习的主动学习方法 ——GraphPart，该方法可以在不引入额外的超参数的情况下，在 GNN 上取得更好的性能。

    Jan, 2022

  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

    Mar, 2018

  • 分布式图神经网络训练的分区策略实验比较

    本文研究了图分区对分布式图神经网络训练的有效性，发现图分区是一个关键的预处理步骤，能够大大减少训练时间和内存占用，同时也证明了分区所需的时间可以通过减少图神经网络训练时间加以弥补。

    Aug, 2023

  • AWAPart：适应工作负载的知识图谱分区

    本篇文章提出了一种自适应分区方法，可应对大规模知识图谱中查询工作量变化的需求，通过动态适应知识图谱三元组的分区，可以提高查询处理时间的性能。

    Mar, 2022

  • 基于划分指导的生成对抗网络

    该论文提出一种基于分区器的生成对抗网络的无监督学习方法，通过将高维空间分解为一组简单的子空间，训练每个子空间对应的生成器，以避免模式崩溃和样本集断裂等训练问题，理论和实验表明，该方法在各种标准基准测试中表现优于其他近期的方法。

    Apr, 2021

  • 不均匀超图聚类与应用

    提出了一种新的超图聚类技术，称为不均匀超图划分，其将不同的代价分配给不同的超图切割，证明了如果不均匀代价满足次模性约束，则不均匀划分产生了最优解的二次近似，并证明了在许多应用中可以获得显着的性能改进。

    Sep, 2017

  • 通过并行次模逼近进行图分区以加速分布式机器学习

    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

  • 快速平衡划分尽管在网格和树上也很困难

    本文探讨了 k-Balanced Partitioning 问题的两类近似算法：快速但准确度不高和保证高质量准确度但速度较慢的算法。研究表明，这种运行时间和解决方案质量之间的权衡是必要的。我们还提出了一种基于图形类别的规约框架，以证明了该问题的困难性。本文是该问题的第一次双层次不可近似结果。

    Nov, 2011