复杂网络中的中位数共识聚类并行算法
Parallel Algorithms for Median Consensus Clustering in Complex Networks
AI总结：
该研究提出一种考虑图结构的中位数集合划分贪婪优化算法，并设计并行版本，在64核上实现35倍加速，更准确地捕获社区结构。
摘要：
我们开发了一种算法，用于寻找图中多种不同聚类解决方案的共识。我们将该问题表述为中位数集合划分问题，并提出了一种贪婪优化技术。与其他寻找中位数集合划分的方法不同，我们的算法考虑了图结构，并且能够以比其他方法快得多的速度找到质量相当的解决方案。对于具有已知社区的图，我们的共识划分比替代方法更准确地捕获了实际社区结构。为了使其适用于大型图，我们移除了算法中的顺序依赖，并设计了一种并行算法。我们的并行算法在利用64个处理核心处理来自单细胞实验的大型真实世界图时，实现了35倍的加速。
英文摘要：
We develop an algorithm that finds the consensus of many different clustering solutions of a graph. We formulate the problem as a median set partitioning problem and propose a greedy optimization technique. Unlike other approaches that find median set partitions, our algorithm takes graph structure into account and finds a comparable quality solution much faster than the other approaches. For graphs with known communities, our consensus partition captures the actual community structure more accurately than alternative approaches. To make it applicable to large graphs, we remove sequential dependencies from our algorithm and design a parallel algorithm. Our parallel algorithm achieves 35x speedup when utilizing 64 processing cores for large real-world graphs from single-cell experiments.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
