Community Detection in Dynamic Networks via Adaptive Label Propagation
提出了一种自适应标签传播算法(ALPA)来检测和监控动态网络中的社区。与每次修改网络后重新计算整个社区分解的传统方法不同,ALPA考虑了历史社区的信息,并通过本地标签传播过程根据网络修改更新其解决方案,这通常只影响网络的一小部分。这使得它能够以较低的计算成本响应网络变化。ALPA的有效性已经在合成和真实世界的网络上进行了测试,这表明它可以成功地识别和跟踪动态社区。此外,与其他方法相比,ALPA可以高质量和准确性地检测社区。因此,低复杂度和无参数,ALPA是一个可扩展的和有前途的解决方案,为一些现实世界中的应用程序的社区检测在动态网络中。
2017-11-17 cs.SI physics.soc-ph
Label propagation for clustering
标签传播是一种探试法,最初提出的社区发现在网络中,而该方法也可以采用其他类型的网络聚类和划分。在本书描述的所有方法和技术中,标签传播既不是最准确的方法,也不是最健壮的方法。然而,它无疑是最简单和最快的聚类方法之一。标签传播可以用几行编程代码实现,并应用于标准计算机上具有数亿个节点和边的网络,这仅适用于文献中的少数其他方法。在本章中,我们提出了标签传播的基本框架,回顾了原始方法的不同进展和扩展,并强调了它与其他方法的等价性。我们展示了如何标签传播可以有效地用于大规模的社区发现,图分区,结构上等同的节点和其他网络结构的识别。最后,我们总结了标签传播的方法和建议,为未来的研究。
2017-09-17 cs.SI physics.data-an physics.soc-ph
Community Detection via Semi-Synchronous Label Propagation Algorithms
最近引入的一种新的社区发现策略是基于标签传播算法(LPA),该算法利用网络中信息的扩散来识别社区。对LPA的研究表明,该策略在寻找良好的社区结构方面是有效的。标签传播步骤可以在所有节点上并行执行(同步模型)或顺序执行(异步模型);两种模型都存在一些缺点,例如,在第一种情况下不允许算法终止,在第二种情况下性能可能最差。在本文中,我们提出了一个半同步版本的LPA,旨在结合同步和异步模型的优点。我们证明了我们的模型总是收敛到一个稳定的标签。此外,我们实验研究所提出的策略的有效性比较其性能与异步模型的质量,效率和稳定性。测试表明,所提出的协议不会损害分区的质量。此外,它非常高效;每个传播步骤都非常可并行化,并且比异步模型更稳定,这要归功于我们的提案只使用了少量的随机化。
2011-03-23 cs.SI physics.soc-ph
Semi-Supervised Overlapping Community Finding based on Label Propagation with Pairwise Constraints
在复杂网络中检测社区的算法通常是无监督的,仅依赖于网络的结构。然而,这些方法通常无法发现反映数据中底层社区的有意义的分组,特别是当这些结构高度重叠时。提高这些算法的有用性的一种方法是通过合并附加的背景信息,其可以用作约束的来源以指导社区发现过程。在这项工作中,我们探索了半监督策略的潜力,以改善算法,在网络中找到重叠的社区。具体来说,我们提出了一种新的方法,标签传播的基础上,使用有限数量的成对约束,寻找社区。对合成和真实世界数据集的评估表明,这种方法在每个节点可能属于多个社区的情况下,有可能揭示有意义的社区结构。
2018-11-21 cs.SI physics.soc-ph
Large network community detection by fast label propagation
许多网络表现出某种社区结构。存在各种各样的方法来检测网络中的社区,每种方法都提供不同的解释和相关算法。对于大型网络,还有额外的速度要求。在这种背景下,提出了所谓的标签传播算法(LPA),它在近线性时间内运行。在LPA未覆盖的分区中,确保每个节点具有到其分配的社区的大多数链接。在这里,我们提出了一个快速的变体LPA(FLPA),是基于处理的邻居最近发生变化的节点的队列。我们在基准网络和经验网络上对FLPA进行了详尽的测试,发现它的运行速度比LPA快700倍。在分区发现FLPA,我们证明了每个节点再次保证有最多的链接到其分配的社区。我们的研究结果表明,FLPA通常优于LPA。
2023-02-14 cs.SI physics.soc-ph
Controlled Label Propagation: Preventing Over-Propagation through Gradual Expansion
社区识别一直是复杂网络分析中的一项基本任务。在过去的十年里,人们设计了许多方法来检测社区。其中,标签传播算法带来了很大的可扩展性和高准确性。然而,它有一个主要缺陷:当网络中的社区结构不够清晰时,它会为每个节点分配相同的标签,从而将整个图检测为一个巨大的社区。我们通过为社区设定一个能力来解决这个问题,从一个小的值开始,随着时间的推移逐渐增加。初步结果表明,该扩展不仅提高了经典标签传播算法在社区不可检测时的检测能力,而且提高了复杂网络中具有清晰社区结构的已识别簇的整体质量.
2015-03-16 cs.SI
Role-based Label Propagation Algorithm for Community Detection
网络的社区结构提供了对其组织结构和功能行为的全面洞察。LPA是最常用的社区发现算法之一,具有近似线性的时间复杂度。但由于引入了随机性,导致其稳定性差,容易出现怪物群落。我们注意到,不同的面向社区的节点角色以不同的方式影响标签传播。在本文中,我们提出了一个基于角色的标签传播算法(roLPA),在其中使用了关于面向社区的节点角色的算法。我们已经评估了所提出的算法在真实和人工网络。结果表明,roLPA是国家的最先进的社区发现算法相媲美。
2016-01-23 cs.SI physics.data-an physics.soc-ph
Community Detection Using A Neighborhood Strength Driven Label Propagation Algorithm
研究大型社交网络中的社区结构和演化需要一种快速准确的社区发现算法。随着所分析的社区的大小增长,社区发现算法的复杂度需要保持接近线性。标签传播算法(LabelPropagationAlgorithm,LPA)具有近似线性的运行时间和易于实现的优点,为有效的社区发现方法奠定了良好的基础。在本文中,我们提出了新的更新规则和标签传播准则在LPA,以提高其计算效率和社区的质量,它检测。通过避免由原始算法执行的不必要的更新来优化速度。这一变化大大减少了(对于大型网络来说是数量级的)算法执行的迭代次数。我们还评估了我们的LPA更新规则的泛化,该规则考虑到了不同的强度,与考虑新标签的节点的邻域的连接。计算机生成的网络和广泛的社交网络上的实验表明,我们的新规则提高了检测到的社区的质量相比,原来的LPA。考虑正邻域强度的好处是显着的,特别是在现实世界的网络包含足够大的分数的节点具有高聚类系数。
2011-05-17 cs.SI physics.soc-ph
Unfolding communities in large complex networks: Combining defensive and offensive label propagation for core extraction
标签传播已被证明是一种快速的方法来检测大型复杂网络中的社区。最近的发展也提高了方法的准确性,但是,一个通用的算法仍然是一个悬而未决的问题。我们提出了一种先进的标签传播算法,结合了两个独特的战略,即社区的防御性保护和进攻性扩张的社区形成。两种策略相结合,在一个层次的方式,递归地提取网络的核心,并确定晶须社区。该算法进行了评估的两类基准网络种植分区和近25个现实世界的网络,从网络与几十个节点的网络与几千万的边缘。它被证明是目前国家的最先进的社区检测算法和优于所有以前的标签传播算法,具有可比的时间复杂度。特别地,对真实世界网络的分析已经证明,该算法具有几乎线性的复杂度$\mathcal{O}(m^{1.19})$,并且比基本标签传播算法($m$是网络中的边的数量)具有更好的扩展性。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Community detection by label propagation with compression of flow
标签传播算法(LPA)已被证明是一种快速而有效的方法来发现大型复杂网络中的社区。然而,它的性能受到问题的非稳定和平凡的解决方案。在本文中,我们提出了一种改进的标签传播算法LPAf有效地检测网络中的社区结构。代替基本LPA的多数表决规则,LPAf通过考虑网络上随机游走描述的压缩来更新节点的标签。一个多步贪婪凝聚策略,使LPAf逃脱局部最优。此外,还采用了不完全更新条件来加快收敛速度。在合成网络和真实网络上的实验结果证实了该算法的有效性。
2016-11-07 cs.SI physics.data-an physics.soc-ph
Random Walks with Variable Restarts for Negative-Example-Informed Label Propagation
标签传播在图上的机器学习和数据采掘应用中经常遇到,无论是作为独立问题还是作为节点分类的一部分。许多标签传播算法利用随机游走(或网络传播),其提供有限的能力来考虑负标记的节点(即,已知不与感兴趣的标签相关联的节点)。合并负标记样本的专门算法通常专注于学习或重新调整边权重,以驱动从负标记节点向正标记节点移动。这种方法有几个缺点,因为它增加了要学习的参数的数量,并且不一定会从网络中富含负标记节点的区域中走开。我们重新制定随机游走与重新启动和网络传播,使“可变的重新启动”,这是一个负标记的节点时,遇到一个正标记的节点重新启动的可能性增加。在此基础上,我们开发了一种算法,有效地结合了可变的重新启动概率和边缘重新加权,以避免负标记的节点。除了允许变量重新启动之外,CusTaRd还从正标记节点的邻居中对负标记节点进行采样,以更好地表征正标记节点和负标记节点之间的差异。为了评估CusTaRd的性能,我们在基准标签传播和节点分类算法中常用的四个网络数据集上进行了全面的实验。我们的研究结果表明,CusTaRd始终优于学习/重新调整边缘权重的竞争算法,并且从紧邻的阳性区域中采样阴性进一步提高了预测准确性。
2021-10-13 cs.SI
Unfolding network communities by combining defensive and offensive label propagation
标签传播已被证明是一种快速的方法来检测复杂网络中的社区。最近的工作也提高了基本算法的精度和稳定性,但是,一个通用的方法仍然是一个悬而未决的问题。我们提出了不同的标签传播算法,传达两个独特的策略,即社区的防御性保护和进攻性扩张。此外,这些策略结合在一个先进的标签传播算法,保留了这两种方法的优点,并加强了分层社区提取,突出用于大型网络。所提出的算法在不同的基准网络与种植分区和超过30个不同类型和大小的真实世界的网络进行了经验评估。结果证实了充分的命题,并为未来的(大型)复杂网络的分析提供了有前途的理由。然而,这项工作的主要贡献是表明,不同类型的网络(具有不同的拓扑性质)有利于不同的社区形成策略。
2011-03-14 cs.SI physics.data-an physics.soc-ph
Weighted Label Propagation Algorithm based on Local Edge Betweenness
在复杂网络中,特别是社交网络中,网络可以被划分为不相交的分区,其中内部边(同一分区内顶点之间的边)与外部边(不同分区的两个顶点之间的边)的数量之比很高。通常,这些分区被称为社区。检测这些社区有助于数据科学家从图表中提取有意义的信息并进行分析。在过去的几十年里,已经提出了各种算法来检测图中的社区,每个算法都从不同的角度研究了这个问题。然而,这些算法中的大多数具有显著的时间复杂度和昂贵的计算,使得它们不适合在具有数百万条边和节点的大型图中检测社区。在本文中,我们尝试通过使用边缘介数度量来改进标签传播算法,使其能够在接近线性的时间复杂度内以可接受的精度识别真实世界和人工网络中的不同社区。此外,该算法可以检测社区的加权图。实验结果表明,该算法在准确性和速度上都是可以接受的,并且具有良好的可扩展性。
2019-01-16 cs.SI physics.soc-ph
Semi-supervised evidential label propagation algorithm for graph data
Northwestern Polytechnical University(西北工业大学);DRUID, IRISA, University of Rennes 1(雷恩第一大学IRISA研究所DRUID团队)
在社区发现任务中,往往存在一些有用的先验信息。本文提出了一种基于证据标签传播策略的半监督聚类方法,将领域知识融入到社区发现模型中。SELP的主要优点是它可以利用有限的监督知识来指导检测过程。社区标签的先验信息最初以质量函数的形式表示。然后,采用一种新的证据标签传播规则,将标签从标记数据传播到未标记数据。离群值可以被识别为属于特殊类别。实验结果证明了SELP的有效性。
2016-07-29 cs.AI cs.SI
Label Propagation on K-partite Graphs with Heterophily
Univ. of Southern California(南加州大学);Fudan University(复旦大学);Information Sciences Institute(信息科学研究所)
本文首次在异质性假设下研究了异质图中的标号传播问题。同构标签传播(即,两个连通节点共享相似标号)的问题已经得到了广泛的研究。不幸的是,现实生活中的网络是异构的,它们包含不同类型的顶点(例如,用户、图像、文本)和关系(例如,友谊、共同标记),并允许每个节点向其邻居传播相同和相反的标签副本。我们提出了一个$\mathcal{K}$ -partite标签传播模型来处理异构节点/关系和异构传播的神秘组合。在此基础上,我们提出了一种新的标签推理算法框架,该框架具有近线性时间复杂度的更新规则。由于真实网络随时间而变化,我们设计了一种增量方法,该方法支持新数据和证据的快速更新(例如,Ground truth labels),保证效率。我们还提供了一个效用函数,以自动确定是否是增量或重新建模的方法是有利的。在真实数据集上的大量实验验证了该方法的有效性和效率,以及其优于最先进的标签传播方法的优势。
2017-01-21 cs.AI cs.LG cs.SI
On the Analysis of a Label Propagation Algorithm for Community Detection
本文提出了一个简单的,分布式的网络上的社区发现算法的形式化分析。我们分析了一个算法,我们称之为\textsc{Max-LPA},无论是在其收敛时间和检测到的社区的“质量”。\textsc{Max-LPA}是一类称为\textit{label propagation}算法的社区发现算法的实例。据我们所知,大多数标签传播算法的分析,到目前为止一直是经验的性质,在本文中,我们寻求一个理论上的理解标签传播算法。在我们的主要结果中,我们定义了一个集群版本的\er随机图与集群$V_1, V_2,..., V_k$的概率$p$,一个集群内的边缘连接节点$V_i$是高于$p'$,边缘连接节点的概率在不同的集群。我们表明,即使有相当普遍的限制$p$和$p'$($p = Ω(\frac{1}{n^{1/4-ε}})$的任何$ε> 0$,$p' = O(p^2)$,其中$n$是节点的数量),\textsc{Max-LPA}检测集群$V_1, V_2,..., V_n$在短短两轮。基于这一点和经验结果,我们推测\textsc{Max-LPA}可以正确和快速地识别聚簇\er图上的社区,即使当聚类稀疏得多时,即,用$p = \frac{c\log n}{n}$换一些$c > 1$。
2012-10-13 cs.DC cs.SI physics.soc-ph
Robust network community detection using balanced propagation
标签传播已被证明是一种非常快速的方法,用于检测大型复杂网络中的社区。此外,由于其简单性,它也是目前文献中最常用的算法之一。尽管随后取得了各种进展,但算法的一个重要问题尚未得到妥善解决。随机(节点)更新顺序内的算法严重妨碍其鲁棒性,因此也确定社区结构的稳定性。我们注意到,更新顺序可以被看作是增加从某些节点的传播偏好,并提出了一个平衡的传播,抵消了利用节点平衡器引入的随机性。我们已经评估了所提出的方法与种植分区的合成网络,并在几个现实世界的网络与社区结构。结果证实,平衡传播是显着更强大的标签传播,当社区检测的性能甚至得到改善。因此,平衡传播保留了标签传播的高可扩展性和算法简单性,但提高了其稳定性和性能。
2011-06-27 cs.SI physics.data-an physics.soc-ph
Evidential Label Propagation Algorithm for Graphs
Northwestern Polytechnical University(西北工业大学);University of Rennes 1(雷恩第一大学)
社区发现因其能够发现复杂网络的结构和特征而受到广泛关注。随着现实世界中社交网络规模的不断扩大,社区发现方法需要快速准确。标签传播算法(LPA)是一种近似线性的解决方案,具有易于实现的优点,为有效的社区发现方法奠定了良好的基础。在本文中,我们扩展了LPA的更新规则和传播准则的信念函数的框架。提出了一种新的社区发现方法,称为证据标签传播(ELP),作为传统LPA的增强版本。首先定义节点影响力来指导传播过程。可扩展性用于确定每个节点的域标签。为了提高算法的鲁棒性,对节点的更新顺序进行了讨论。ELP算法在所有节点的域标签不变后收敛。质量分配最终计算为节点的成员资格。该方法可以同时检测重叠节点和离群点。实验结果证明了ELP的有效性。
2016-06-13 cs.AI cs.SI
Layered Label Propagation: A MultiResolution Coordinate-Free Ordering for Compressing Social Networks
我们继续从WebGraph开始的关于图压缩的研究路线,但是我们将重点转移到社交网络的压缩(例如,LiveJournal):已经使用了很长时间来压缩web图的方法依赖于节点的特定排序(字典法URL排序),其扩展到一般社交网络并非微不足道。在本文中,我们提出了一个解决方案,混合聚类和订单,并设计了一个新的算法,称为分层标签传播,建立在以前的工作可扩展的聚类,可用于重新排序非常大的图(数十亿个节点)。我们的实现使用过度分解来积极地在多核架构上执行,使得在几个小时内重新排序超过6亿个节点的图形成为可能。在各种各样的网络图和社交网络上进行的实验表明,将所提出的算法产生的顺序与WebGraph压缩框架相结合,相对于所有当前已知的技术,在网络图和社交网络上都提供了压缩的重大增加。这些改进使得在主存储器中分析更大的图形成为可能。
2011-10-14 cs.DS cs.SI physics.soc-ph
Modeling shared micromobility as a label propagation process for detecting the overlapping communities
本研究将共享微出行建模为标签传播过程,提出地理空间交互传播模型(GIP),结合SLPA算法和异常检测,在华盛顿特区电动滑板车系统中检测重叠社区,效率和模块度优于现有方法。
2025-01-27 cs.SI physics.app-ph
Selecting a suitable Parallel Label-propagation based algorithm for Disjoint Community Detection
社区发现是网络分析中的一项重要任务,因为它有助于识别网络中的组和模式。高速社区发现算法对于在合理的时间内分析大规模网络是必要的。研究人员在高速社区发现算法的发展方面做出了重大贡献,特别是在基于标签传播的不相交社区发现领域。这些算法已被证明在合理的时间内分析大规模网络是非常有效的。然而,重要的是要评估这些现有方法的性能和准确性,以确定哪种算法最适合特定类型的网络和特定的研究问题。在这份报告中,我们调查了RAK,COPRA和SLPA,三个标签传播为基础的静态社区发现技术。我们在实现每个算法的单线程和多线程基于OpenMP的变体时,会密切关注每个算法的细节,进行任何必要的调整或优化,并获得正确的参数值。RAK算法被发现表现良好,公差为0.05,基于OpenMP的严格RAK与12个线程比顺序非严格RAK快6.75倍。COPRA算法适用于道路网络的单个标签和其他类别的图形的最大标签4 - 16。SLPA算法随着内存大小的增加表现良好,但总体上并没有提供有利的投资回报。RAK算法被推荐用于基于标签传播的不相交社区发现。
2023-01-22 cs.DM cs.SI
Testing Alignment of Node Attributes with Network Structure Through Label Propagation
属性网络数据在各个领域中变得越来越普遍,因为我们通常除了节点的成对连接模式之外还配备了关于节点的信息。这些额外的信息可以表现为分类,也可以表现为多维特征向量。最近开发的寻求将社区发现方法扩展到属性网络的方法已经探索了如何最有效地结合连接性和属性信息来识别质量社区。这些方法通常依赖于对属性和连通性之间的依赖关系的一些假设。在这项工作中,我们试图开发一个统计测试,以评估节点属性是否与网络连接。我们的目标是定量评估是否具有类似的连接模式的节点也有类似的属性。为了解决这个问题,我们使用节点采样和标签传播方法。我们将我们的方法应用于几个合成的例子,探讨网络结构和属性特征如何影响我们的方法计算的经验p值。最后,我们将该测试应用于从单细胞质谱仪(CyTOF)数据集生成的网络,并表明我们的测试可以识别与不同单细胞亚群相关的标记物。
2018-05-18 cs.SI
Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation
University of Luxembourg(卢森堡大学);Criteo(科韬)
图神经网络(GNN)在图学习任务中占主导地位;然而,最近的研究表明,一种著名的图算法,标签传播(LP),结合浅层神经网络,可以在具有高同质性的图上实现与GNN相当的半监督节点分类性能。在本文中,我们表明,这种方法不符合低同伦图,其中节点往往连接到节点的相反类。为了克服这一点,我们精心设计了一个基础预测与LP算法,享有一个封闭的形式的解决方案,以及收敛保证的组合。我们的算法首先学习类兼容性矩阵,然后使用LP算法按类兼容性加权来聚合标签预测。在各种各样的基准,我们表明,我们的方法实现了领先的性能与各种层次的同质性图。同时,它具有数量级更少的参数,需要更少的执行时间。经验评估表明,简单的适应LP可以在半监督节点分类的同质性和异质性制度的竞争力。
2022-11-30 cs.LG cs.SI
A Unifying Generative Model for Graph Learning Algorithms: Label Propagation, Graph Convolutions, and Combinations
Cornell University(康奈尔大学)
图上的半监督学习是网络科学和机器学习中一个应用广泛的问题。两种标准算法--标签传播和图神经网络--都是通过沿着边重复传递信息来操作的,前者通过传递标签,后者通过传递节点特征,由神经网络调制。这两种类型的算法在很大程度上是单独开发的,并且对网络数据的结构几乎没有了解,这将使其中一种方法与另一种方法相比工作得特别好,或者当这些方法可以有意义地组合时。在这里,我们开发了一个马尔可夫随机场模型的节点属性的数据生成过程中,基于属性和顶点之间的相关性,激励和统一这些算法的方法。我们证明了标签传播,线性化的图卷积网络,以及它们的组合都可以作为我们的模型下的条件期望,当条件不同的属性。此外,该数据模型突出了现有图神经网络的不足之处(同时产生新的算法解决方案),作为理解图学习问题(如过度平滑)的严格统计框架,创建了评估归纳学习性能的测试平台,并提供了一种对类似经验数据的图属性进行采样的方法。我们还发现,从我们的数据生成模型中衍生出的一种新算法,我们称之为线性图卷积,在实践中对经验数据的表现非常好,并为这种情况提供了理论依据。
2021-01-30 cs.LG cs.SI
Clustering Graphs -- Applying a Label Propagation Algorithm to Detect Communities in Graph Databases
在过去的几十年里,数据库管理系统(DBMS)成为存储大量数据和执行复杂查询的强大工具。近年来,非结构化或半结构化数据的数量不断增加,已经从以关系模型表示数据转变为替代的数据模型。图形数据库和图形数据库管理系统(GDBMS)由于能够管理高度互连、不断发展的数据,其使用量有所增加。本论文是一个文档的工作,在实现一个系统,以确定集群的图形建模数据使用标签传播社区发现算法。该图使用从dblp.org获得的计算机科学领域的学术出版物的数据集构建。开发的系统是一个全栈WebApp,包括一个基于Web的用户界面,一个API和存储在图形数据库管理系统(GDBMS)中的数据(节点,边,图)。- 在诸如ArangoDB的图形数据库管理系统(GDBMS)中操纵数据的预导入和导入、节点的创建、节点之间的关系(边)以及由这些节点和边组成的图形的过程; -在NodeJS中实现的GraphQL API,以从图形数据库管理系统(GDBMS)请求数据;- 使用TypeScript和React制作的前端界面,包括搜索功能和在Cytoscape网络图中可视化结果的能力; -在图上执行标签传播社区发现算法,发现的集群被存储并在用户请求时可视化。本论文希望能对互联数据的图形表示、集成和分析提供一种实用的实践方法。
2022-10-02 cs.SI
LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection
Amirkabir University of Technology (Tehran Polytechnic)(阿米尔卡比尔理工大学(德黑兰理工大学))
本文提出了一种用于假新闻检测的半监督单类图注意力网络 LOSS-GAT,通过两步标签传播和结构增强技术,在仅使用少量标注假新闻的情况下,性能显著提升甚至超越二分类标注模型。
2024-02-13 cs.AI cs.LG cs.SI
Memory Efficient GPU-based Label Propagation Algorithm (LPA) for Community Detection on Large Graphs
针对现有多核和GPU版LPA社区检测算法内存开销高的问题,提出基于加权BM和MG草图的内存高效GPU实现$ν$MG8-LPA,大幅降低内存使用并保持效率与检测质量。
2024-11-29 cs.DC cs.SI
GSL-LPA: Fast Label Propagation Algorithm (LPA) for Community Detection with no Internally-Disconnected Communities
本文提出GSL-LPA算法,解决LPA产生内部不连通社区的问题,在双16核处理器上比现有算法快5.8至10300倍,处理速率达844M边/秒,且线程翻倍时扩展1.6倍。
2024-11-11 cs.DC cs.SI
Combining Label Propagation and Simple Models Out-performs Graph Neural Networks
Cornell University(康奈尔大学);Facebook(脸书);Facebook AI(脸书人工智能研究院)
图神经网络(GNN)是在图上学习的主要技术。然而,人们对GNN在实践中为什么成功以及它们是否是良好性能所必需的了解相对较少。在这里,我们表明,对于许多标准的直推节点分类基准,我们可以通过将忽略图结构的浅层模型与利用标签结构中相关性的两个简单后处理步骤相结合,来超过或匹配最先进的GNN的性能:(i)“误差相关性”,其扩展训练数据中的残余误差以校正测试数据中的误差;以及(ii)“预测相关性”,平滑测试数据的预测。我们称这个整体过程为正确和平滑(C&S),后处理步骤通过对早期基于图的半监督学习方法的标准标签传播技术进行简单修改来实现。我们的方法在各种基准测试中超过或接近最先进的GNN的性能,只有一小部分参数和数量级更快的运行时间。例如,我们超过了OGB-Products数据集上最知名的GNN性能,参数减少了137倍,训练时间减少了100倍以上。我们的方法的性能突出了如何直接将标签信息纳入学习算法(如在传统技术中所做的)产生简单和实质性的性能增益。我们还可以将我们的技术结合到大型GNN模型中,提供适度的增益。OGB结果的代码位于https://github.com/Chillee/CorrectAndSmooth。
2020-11-02 cs.LG cs.SI
$ν$-LPA: Fast GPU-based Label Propagation Algorithm (LPA) for Community Detection
本文提出GPU优化的标签传播算法ν-LPA,通过异步LPA结合每4次迭代的无选择方法及逐顶点混合探测哈希表,在A100 GPU上实现每秒30亿条边处理速度,显著超越现有LPA和Louvain方法。
2025-01-06 cs.DC cs.SI
Joint Inference of Multiple Label Types in Large Networks
Facebook Inc.(脸书公司)
我们解决了在部分标记图中推断节点标签的问题,其中图中的每个节点具有多个标签类型,并且每个标签类型具有大量可能的标签。我们的主要示例,也是本文的重点,是对通过社交网络连接的用户的标签类型(如家乡、当前城市和雇主)的联合推断。标准标签传播没有考虑标签类型的属性以及它们之间的交互。我们提出的方法,称为EdgeExplain,明确地模拟这些,同时仍然使分布式消息传递架构下的可扩展推理。在Facebook社交网络的十亿节点子集上,EdgeExplain在几种标签类型上的表现明显优于标签传播,recall@1的提升率高达120%,recall@3的提升率高达60%。
2014-01-30 cs.LG cs.SI stat.ML