检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

动态图的链接预测模型

计算机科学与探索 2022年第10期16卷 2365-2376页

作者：唐晨赵杰煜叶绪伦郑阳俞书世宁波大学信息科学与工程学院浙江宁波315211

在现实世界中,任何复杂的关系都可以表示成图的形式,例如通信网络、生物网络、推荐系统等。链接预测是图领域的重要研究课题,但目前大部分的链接预测模型仅针对静态图,忽视了图在时域上的演化规律以及全局特征在演化过程中的重要性。为... 详细信息

在现实世界中,任何复杂的关系都可以表示成图的形式,例如通信网络、生物网络、推荐系统等。链接预测是图领域的重要研究课题,但目前大部分的链接预测模型仅针对静态图,忽视了图在时域上的演化规律以及全局特征在演化过程中的重要性。为此,提出了一种动态图的链接预测模型。首先,为了获得高质量的全局特征,模型采用对抗训练的方式优化全局特征和高阶局部特征的互信息损失,然后利用基于宽平稳随机过程的感知模型,通过约束全局特征在时间维度上的均值和自相关函数值,以此保证全局特征在时域上的平稳性,再利用长短期记忆网络(LSTM)捕获动态图的演化规律,最后利用对抗网络优化预测值和真实值的损失。在USCB、SBM、AS数据集上的实验结果显示,本模型在动态图的链接预测任务上具有较好的表现,它不仅显著地提高了AUC值,还降低了MSE值。同时,消融实验的结果也表明,局部特征对全局特征的提取有促进作用,而且全局特征的质量和平稳性对网络链接预测有重要作用。

关键词：动态图链接预测互信息对抗网络长短期记忆网络(LSTM)

LMSA:NVM环境下高性能动态图处理数据结构

在线全文

学校读者我要写书评

暂无评论

计算机学报 2022年第7期45卷 1446-1461页

作者：祝贺华强胜金海廖小飞大数据技术与系统国家地方联合工程研究中心武汉430074 服务计算技术与系统教育部重点实验室武汉430074 集群与网格计算湖北省重点实验室武汉430074 华中科技大学计算机科学与技术学院武汉430074

在过去十数年,来自网络与社交网络的图信息量在急剧增长,这种本质上动态变化的图对存储、分析与处理的实时性需求越来越高.新兴的非易失性内存(Non-Volatile Memory,NVM)技术具有高密度、高可扩展性和接近零待机功耗的优点,同时由于字... 详细信息

在过去十数年,来自网络与社交网络的图信息量在急剧增长,这种本质上动态变化的图对存储、分析与处理的实时性需求越来越高.新兴的非易失性内存(Non-Volatile Memory,NVM)技术具有高密度、高可扩展性和接近零待机功耗的优点,同时由于字节寻址等特性被认为是替代DRAM的潜在候选者,它们可以满足动态图信息快速增长的存储与处理要求.然而,由于NVM的硬件限制和数据一致性要求,传统动态图数据结构在NVM环境下效率低下.为了解决NVM环境下动态图数据结构存在的读写不对称和耐久性低等问题,本文设计与实现了层级合并排序数组(Level Merge Sorted Array,LMSA),它是一种支持在对数时间内同时完成读与写操作的动态图数据结构,它使用层级数组存储动态图中边信息来提升查询速度与减少因动态图数据结构性质维护而产生的写次数.为了低开销地保证数据一致性,LMSA利用无日志记录一致性方案进行插入、删除和更新等操作.在配置了英特尔傲腾持久内存DCPMM(Intel Optane DC Persistent Memory Module)机器上的实验结果表明,与最新的动态图数据结构Stinger和GraphTinker相比,LMSA插入操作吞吐量是Stinger的4.3~12.6倍,是GraphTinker的1.4~4.35倍,其删除操作吞吐量是Stinger的5.7~20.1倍,是GraphTinker的1.4~4.58倍.

关键词：动态图非易失性内存数据结构写优化崩溃一致性

在线全文

学校读者我要写书评

暂无评论

动态图序列演变模式的可视化

计算机辅助设计与图形学学报 2020年第10期32卷 1655-1662页

作者：原恺涓傅四维葛晓东巫英才之江实验室杭州310012 浙江大学CAD&CG国家重点实验室杭州310058

动态图的分析在许多领域都十分重要.随着数据的增加,数据分析师通过从多个动态序列中分析频繁的演变模式来发现有价值的规律.然而,结构复杂、数据量大、演变过程多样等特征为理解动态图数据的演变模式带来了极大的挑战.为了提取大规模... 详细信息

动态图的分析在许多领域都十分重要.随着数据的增加,数据分析师通过从多个动态序列中分析频繁的演变模式来发现有价值的规律.然而,结构复杂、数据量大、演变过程多样等特征为理解动态图数据的演变模式带来了极大的挑战.为了提取大规模动态图数据中普遍存在的演变模式,提出一种动态图序列演变模式的可视化方法.首先将动态图序列转换成事件序列,然后,在此基础上提取频繁出现的动态图序列片段,并总结成演变模式;此外,开发了一个整合文中方法的交互式原型系统,以支持自上而下的动态图数据的探索.最后通过家谱树网络和科研合作网络这2个案例,证明了该方法在真实世界应用中的可用性和有效性.

关键词：视觉分析动态图事件序列信息可视化

在线全文

学校读者我要写书评

暂无评论

面向大规模动态图的异构图计算系统设计

计算机工程 2024年

作者：张明郭文康王海峰临沂大学信息科学与工程学院山东省网络重点实验室临沂大学研究所

在GPU异构集群中处理大规模动态图时GPU计算资源未被充分利用，并且面向GPU的图划分方法存在局限性导致出现性能瓶颈。为提高图计算系统性能提出一种CPU/GPU异构图计算引擎，用于提升异构处理器的计算性能。首先提出新的异构图分割算法... 详细信息

在GPU异构集群中处理大规模动态图时GPU计算资源未被充分利用，并且面向GPU的图划分方法存在局限性导致出现性能瓶颈。为提高图计算系统性能提出一种CPU/GPU异构图计算引擎，用于提升异构处理器的计算性能。首先提出新的异构图分割算法，该分割算法以流式图划分为核心，通过贪心策略调整顶点位置，进而实现计算节点之间、CPU/GPU之间的动态负载均衡。在初始图划分时该方法基于最多邻居顶点来分配图顶点，在迭代时基于最少连接边动态调整顶点位置。其次，设计面向的GPU异构计算模型，通过CPU/GPU功能并行的方式实现协同计算。CPU与GPU并行执行图算法，提高CPU核心的利用率，进而提升图计算效率。实验以图算法PageRank、Connected Component、SSSP与K-core为例，与其他图计算系统展开对比。与未考虑异构计算的图引擎相比，异构图引擎DH-Engine（Distributed Heterogeneous Engine）能更好地平衡各节点计算负载以及计算节点内部的异构处理器之间的负载，通过缩短局部时延来提高整体的计算速度。实验结果表明DH-Engine的CPU/GPU协同度趋于1。相较于其他图系统，DH-Engine异构计算的加速比达5倍。分布式异构引擎可以提供更好的图异构计算方案。

关键词：异构计算负载均衡动态图加速比

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

动态图神经网络推理的硬件加速技术研究

动态图神经网络推理的硬件加速技术研究

作者：潘婷婷华中科技大学

学位级别：硕士

现实世界中的图往往随着时间动态变化,针对动态图的图神经网络推理过程通常需要处理连续时间点的多个动态图,会带来巨大的计算复杂度和高昂的时间成本,限制了动态图神经网络在实际应用中的可行性和效率。由于数据规模和计算复杂度的限制... 详细信息

现实世界中的图往往随着时间动态变化,针对动态图的图神经网络推理过程通常需要处理连续时间点的多个动态图,会带来巨大的计算复杂度和高昂的时间成本,限制了动态图神经网络在实际应用中的可行性和效率。由于数据规模和计算复杂度的限制,传统的软件实现方式往往难以满足实时推理的需求,因此迫切需要实现针对动态图神经网络推理过程的硬件加速。为了解决这一问题,提出动态增量更新计算模型。捕获不同时间点的动态图之间的变化信息,然后将其快速地传播到受影响的节点上,实现局部的信息更新和特征提取,从而更加精细地控制动态图的更新和信息传递过程。通过增量更新计算模型,可以有效地减少动态图神经网络的计算复杂度和计算时间。为了适应动态图数据集的海量规模以及单个时间点极稀疏变化的性质,在动态图神经网络的推理过程中,实现高效的适应动态图的压缩矩阵行存储格式CRR,在节省图数据集存储空间的同时还支持不同计算方法的切换。此外,还根据不同动态图的变化规模以及动态图中不同数据区域的数据分布预分析结果,设置适应性的分块大小,以减少DRAM访问,进一步提高计算效率。在五个实际应用场景中的数据集上的性能模拟实验数据表明,动态增量更新计算模型与静态计算模型相比,可大幅减少计算操作数量。动态图神经网络加速器Dy GA与图神经网络加速器GCNAX相比,性能得到了有效提升,并减少了DRAM访问次数。提出的新型压缩矩阵行存储格式CRR,与经典稀疏存储格式CSR相比,在五个数据集上均能节省存储空间。

关键词：图卷积神经网络动态图硬件加速

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

动态图模式匹配技术综述

软件学报 2018年第3期29卷 663-688页

作者：许嘉张千桢赵翔吕品李陶深广西大学计算机与电子信息学院广西南宁530004 广西高校并行分布式计算技术重点实验室(广西大学) 广西南宁530004 广西高校多媒体通信与信息处理重点实验室(广西大学) 广西南宁530004 国防科技大学系统工程学院湖南长沙410073

随着大数据时代的到来,多源异构数据的快速增长已经成为开放性问题,数据之间的内在关联通常可以用图数据的形式来表现.然而在实际应用中,例如网络安全分析和社交网络舆情分析,描述实体对象之间关系的图数据的结构和内容往往不是固定不变... 详细信息

随着大数据时代的到来,多源异构数据的快速增长已经成为开放性问题,数据之间的内在关联通常可以用图数据的形式来表现.然而在实际应用中,例如网络安全分析和社交网络舆情分析,描述实体对象之间关系的图数据的结构和内容往往不是固定不变的,图数据的结构以及节点和边的属性会随着时间的推移发生更新变化.因此,如何在动态更新的图数据中进行高效的查询、匹配,是目前研究的热点问题.从关键技术、代表性算法和性能评价方面概述动态图模式匹配技术的研究进展.最后,对动态图模式匹配技术的典型应用、面临的挑战问题和未来发展趋势进行了总结和展望.

关键词：动态图图模式匹配子图同构匹配算法图搜索

在线全文

学校读者我要写书评

暂无评论

基于局部数据增强动态图的事件预测

计算机科学 2023年

作者：潘磊刘欣陈君益程章桃刘乐源周帆电子科技大学信息与软件工程学院中国电子科技集团公司第十研究所喀什地区电子信息产业技术研究院

事件是指特定时间和地点在真实世界中发生的与特定主题相关的活动，例如：社会动乱、暴恐袭击、自然灾害和传染病流行等事件会对国家安全和人民群众生活产生重大威胁。如果能对此类事件的发生进行有效预测，将最大程度地减少负面事件带... 详细信息

事件是指特定时间和地点在真实世界中发生的与特定主题相关的活动，例如：社会动乱、暴恐袭击、自然灾害和传染病流行等事件会对国家安全和人民群众生活产生重大威胁。如果能对此类事件的发生进行有效预测，将最大程度地减少负面事件带来的影响或最大化正面事件带来的利益。关于事件的研究中，准确预测事件仍然是一个非常具有挑战性的任务。本文提出了一种基于图注意力网络的事件预测方法Local Augmented Temporal-GAT（LAT-GAT），该方法使用条件变分编码器，在所构建的事件图中对目标节点的邻居节点生成新的特征样本，与节点原有特征进行拼合，形成新的节点特征，实现了对事件的传播结构的利用；另外，LAT-GAT还考虑了历史事件发生的时间先后顺序，将网络在上一时间点的输出结果集成进当前时间的特征中，从而实现了对事件传播时间特性的利用。最后，本文在泰国、印度、埃及和俄罗斯等四个国家真实事件数据集上，与多种有代表性的基线方法进行对比实验。实验结果表明，LAT-GAT在四个国家数据下的F1评分都优于基线方法；在泰国、俄罗斯和印度数据集上召回率优于基线方法；泰国、埃及和印度数据集上，也获得了最高的准确率。本文还通过消融实验考察了模型参数对最终结果的影响。

关键词：事件预测图注意力网络动态图条件变分编码器数据增强

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于因子图模型的动态图半监督聚类算法

自动化学报 2020年第4期46卷 670-680页

作者：张建朋裴雨龙刘聪李邵梅陈鸿昶国家数字交换系统工程技术研究中心郑州450002 埃因霍温理工大学荷兰埃因霍温5600MB 山东科技大学计算机学院青岛266590

针对动态图的聚类主要存在着两点不足:首先,现有的经典聚类算法大多从静态图分析的角度出发,无法对真实网络图持续演化的特性进行有效建模,亟待对动态图的聚类算法展开研究,通过对不同时刻图快照的聚类结构进行分析进而掌握图的动态演... 详细信息

针对动态图的聚类主要存在着两点不足:首先,现有的经典聚类算法大多从静态图分析的角度出发,无法对真实网络图持续演化的特性进行有效建模,亟待对动态图的聚类算法展开研究,通过对不同时刻图快照的聚类结构进行分析进而掌握图的动态演化情况.其次,真实网络中可以预先获取图中部分节点的聚类标签,如何将这些先验信息融入到动态图的聚类结构划分中,从而向图中的未标记节点分配聚类标签也是本文需要解决的问题.为此,本文提出进化因子图模型(Evolution factor graph model,EFGM)用于解决动态图节点的半监督聚类问题,所提EFGM不仅可以捕获动态图的节点属性和边邻接属性,还可以捕获节点的时间快照信息.本文对真实数据集进行实验验证,实验结果表明EFGM算法将动态图与先验信息融合到一个统一的进化因子图框架中,既使得聚类结果满足先验知识,又契合动态图的整体演化规律,有效验证了本文方法的有效性.

关键词：半监督聚类进化因子图模型特征提取动态图

DGOA：基于动态图和偏移注意力的点云上采样

在线全文

学校读者我要写书评

暂无评论

图学学报 2023年

作者：韩亚振尹梦晓马伟钊杨诗耕胡锦飞朱丛洋广西大学计算机与电子信息学院广西多媒体通信与网络技术重点实验室

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的，因此点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA(Dynamic Graph and Offset Attention)，DGOA... 详细信息

由三维扫描设备直接得到的点云经常是稀疏、不均匀、有噪声的，因此点云上采样在点云重建、渲染等领域扮演了越来越关键的角色。提出了一种新的基于动态图和偏移注意力的点云上采样网络DGOA(Dynamic Graph and Offset Attention)，DGOA主要包含LFE(Local Feature Extraction，局部特征提取)、GFE(Global Feature Extraction，全局特征提取)和CR(Coordinate Reconstruction，坐标重建)3个模块。LFE采用多层结构提取邻域信息，每层基于特征相似性构建动态图，可以在特征空间自适应的将点云分组，增大感受野，获得长距离的语义信息，更好的建模点云的局部几何形状。GFE采用基于拉普拉斯算子的偏移注意力使每个点都能获得点云的全局信息，使生成点云的细节与原始点云一致，减少噪声的影响。CR借鉴FoldingNet操作，避免生成点的聚集。此外，整个网络与输入点云中点的顺序无关，具有置换不变性。在多个数据集的定量与定性实验结果表明，本文方法优于其他方法，并且具有良好的泛化性和稳定性。

关键词：点云点云上采样动态图偏移注意力深度学习