.png){kind=icon}
返回
$\text {GPUSCAN}^{++}$: Efficient Structural Graph Clustering on GPUs
.png){kind=icon}
PRE
AI
DOI：10.1109/TPDS.2025.3582996.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
结构聚类是图聚类方法中最流行的之一，利用GPU取得了显著性能提升。尽管如此，基于GPU的先进结构聚类算法GPUSCAN仍存在效率问题，因为并行化引入了大量额外开销。此外，GPUSCAN假设图驻留在GPU内存中。然而，当前GPU内存容量有限，而许多真实世界图规模庞大，无法装入GPU内存，这使得GPUSCAN无法处理大型图。受此启发，本文提出了一种新的基于GPU的结构聚类算法GPUSCAN++。为解决效率问题，我们提出了一种适用于GPU的新型渐进聚类方法，该方法不仅避免了高昂的并行化开销，还充分利用了GPU的计算资源。为解决GPU内存限制问题，我们提出了一种基于分区的结构聚类算法，能够在有限GPU内存下处理大型图。我们在真实图上进行了实验，结果表明，当图能驻留在GPU内存中时，我们的算法相比当前最先进的基于GPU的算法可达到最高168倍加速。此外，我们的算法可扩展以处理大型图。例如，我们的算法能在不到2 GB GPU内存下完成一个包含18亿边的图的结构聚类。
Keyword:
Structural graph clustering
GPU
graph algorithm
期刊
IF:
6
论文数:
5.2K
被引数:
1.1W
机构
引用论文
AnySCAN: An Efficient Anytime Framework with Active Learning for Large-Scale Network Clustering
.png){kind=icon}
PREAI
分享收藏
分享收藏
分享收藏分享收藏
查看更多内容