TopoBenchmarkX 是一个模块化的开源库，旨在标准化基于拓扑的深度学习的基准测试，并加速研究。它将拓扑深度学习的流程映射为一系列独立和模块化的组件，包括数据加载和处理、模型训练、优化和评估。TopoBenchmarkX 的关键特点是它允许在拓扑领域之间进行转换和提升，以获得更丰富的数据表达和更精细的分析。通过对多个任务和数据集的拓扑深度学习架构进行基准测试，展示了 TopoBenchmarkX 的适用范围。

Jun, 2024

通过提出一个可扩展的合成图生成工具，该工具从专有数据集中学习一系列参数模型，可以为研究人员提供研究各种图方法的合成数据，从而实现原型开发和创新应用的目的。

Dec, 2023

本文介绍了 GraphLab 抽象并将其扩展到更具挑战性的分布式环境中，在保证数据一致性的同时，采取图形扩展 pipelined locking 和数据版本控制，以减少网络拥塞和缓解网络延迟的影响，通过 Chandy-Lamport 快照算法实现 GraphLab 抽象的容错，并在 Amazon EC2 系统上进行了分布式的 GraphLab 抽象实现，展示了与基于 Hadoop 实现相比 1-2 个数量级的性能提升。

Apr, 2012

我们开发了一种通过最适合数据类型的过滤将持久图与数字数据关联起来的流程，使用网格搜索方法确定最佳表示方法和参数，并在常见基准数据集上比较不同的表示方法，这是利用持久同调和机器学习进行数据分类的简单易用的流程的第一步，同时为了解为什么在给定数据集和任务的情况下，一对（过滤，拓扑表示）优于另一对。

Sep, 2023

使用拓扑学工具进行无监督数据表示和可视化是拓扑数据分析和数据科学领域中一个活跃且快速发展的研究方向。本研究提出了一种优化方案，通过对 Mapper 图的筛选器进行参数调优，构建了更加优化的数据表示，其收敛性质也得到了研究。实验证明，该方法在多个数据集上优于任意其他表示方法。

Feb, 2024

通过针对机器学习中常见程序设计模式进行设计，使用 GraphLab 可以实现异步迭代算法的紧凑表达，同时保证数据一致性和高并行性能，将并行性能优化的提升应用于大规模实际问题中，并取得了很好的表现。

Aug, 2014

本文提出了一种强多项式时间算法，可以在任何网络拓扑上生成带宽优化的全局 / 归约散播，算法构建了流水线调度，实现了在给定网络拓扑上最佳的带宽性能。

May, 2023

通过将模型图分成 k 个阶段并减少瓶颈阶段的运行时间，我们通过最小化通信成本来优化深度神经网络（DNN）推理的流水线并行性。我们设计了针对这个 NP 困难问题的实际算法，并通过与通过新颖的混合整数规划（MIP）公式获得的强下界进行比较，证明它们在实践中几乎是最优的。我们将这些算法和下界方法应用于生产模型，从而在与标准组合下界相比，获得了显著改进的近似保证。这项工作表明，尽管最大吞吐量划分在理论上很困难，但我们在实践中对该问题的算法方面有所掌握，剩下的挑战主要在于开发更准确的成本模型以提供给划分算法。

Nov, 2023

本文提出了一种新颖的分布式统计检测算法，可用于高容量的网络流量中的变化点检测和鉴定，尤其适用于检测和识别分布式拒绝服务攻击，所提算法 DTopRank 可通过聚合获取的部分信息，实现分布式网络异常检测，并采用中心决策站点上的非参数等级检验方法，综合记录过滤和双重定向时间序列方法以解决海量数据问题，并可应用于合成数据和互联网服务提供商的某一流量跟踪数据。

Sep, 2009

深度神经网络的管道并行化方法 (GPP) 以及分布式系统 GraphPipe 通过优化微批量进度和并行训练实现了对现有管道并行系统如 PipeDream 和 Piper 的提速和搜索时间的降低。

Jun, 2024