Sep, 2020

C-SAW: 基于 GPU 的图采样和随机游走框架

PDF
TL;DR本文提出了一种基于 GPU 的图采样 / 随机游走框架，旨在解决传统图处理技术难以有效应对规模较大图形的问题，并介绍了度中心的并行选择和碰撞迁移两项新的优化措施，以及解决超出 GPU 内存容量的采样所面临的问题，并成功地实现了长时间趋于最优的效果。
graph processingsamplingrandom walkgpu-based frameworkdata transfer optimizations
发现论文，激发创造
  • 利用 GPU 加速图机器学习中的图采样

    该论文介绍了一个名为 NextDoor 的系统，该系统使用称为 transit-parallelism 的新方法，在 GPU 上高效执行图形采样，并比现有系统运行得更快，该系统提供给终端用户撰写各种图形采样算法的高级抽象。

    Sep, 2020

  • 多维随机游走估计和采样图

    本文提出一种新的 $m$- 维随机游走采样方法，称为前沿采样，该方法在大规模实际网络图中表现出更低的估计误差，并且比随机顶点采样更适合采样图的度数分布尾部。

    Feb, 2010

  • 随机游走图嵌入的更广泛视角

    该论文提出了一个基于随机游走的图嵌入分析框架，包括三个组件：随机游走过程、相似性函数和嵌入算法，该框架不仅可以分类许多现有方法，而且自然地激发新方法，通过它，我们演示了改进下游任务性能的多个尺度嵌入的新方法。此外，我们还发现，基于自协方差相似性的嵌入，在与点积排名进行链路预测时，比基于点互信息相似性的最先进方法表现提高了多达 100％。

    Oct, 2021

  • 基于图的表示学习方法泛化框架

    本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

    Sep, 2017

  • 通过随机游走估算图形统计量的通用框架

    本文提出了一种基于随机游走的框架，通过优化技术和收集样本来估算任何规模的图形统计数据，并取得了在准确性和时间成本方面都优于现有技术的效果。

    Mar, 2016

  • 超越随机游走和 Metropolis-Hastings 采样器：为什么你不应该为了无偏图采样而进行回溯

    提出了 NBRW-rw 和 MHDA 算法分别解决了 SRW-rw 和 MH 算法扩散速度慢的问题，提供更高效率的无偏图采样。

    Apr, 2012

  • 基于随机游走的 1D 卷积图学习

    本研究提出了 CRaWl，一种基于 1D CNNs 处理小子图序列的神经网络架构，用于图学习，可高效地进行小子图计数和随机游走技术，并在分类和回归上的图多个基准数据集上，表现出与最新 GNN 架构匹配或优于其表现。

    Feb, 2021

  • BiasedWalk: 偏置抽样在图表示学习中的应用

    提出基于偏置随机游走的可扩展无监督特征学习算法 BiasedWalk，适用于网络的降维和链接预测等任务，并在实验中显示它的优越性。

    Sep, 2018

  • 大规模图中奇异子结构的快速准确挖掘：摇摆随机游走

    本文提出了一种新的算法 Waddling Random Walk（WRW），用于估计任意大小的图相对浓度，并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集，该算法在速度、精度和准确性方面都优于当前最先进的挖掘子图统计算法。

    May, 2016

  • 正则化贝叶斯图卷积神经网络的邻域随机游走图采样

    本论文介绍了一种新算法 ——Bayesian Graph Convolutional Network using Neighborhood Random Walk Sampling (BGCN-NRWS)，使用基于 Markov Chain Monte Carlo (MCMC) 的图采样算法利用图结构，通过使用变分推断层来减少过拟合，并且在半监督节点分类方面与现有技术保持竞争性结果。

    Dec, 2021