新算法简化了大规模网络分析的图节点选择

研究人员开发了一种从大型图中选择代表性节点的新算法，这是网络分析中的一项关键任务。这种称为“通过贪婪采样实现可扩展图核心集选择”的方法，无需完整的图拉普拉斯矩阵，使其适用于海量数据集。该算法基于最小内积规则迭代选择节点，仅需要访问拉普拉斯矩阵的子集列，并避免了计算密集型的特征分解或全局图遍历。在随机块模型下的理论分析表明，采样与簇大小成正比，并且对于带限图信号的误差可控，数值实验证实了其在合成和真实世界数据上的有效性。 AI

影响 该方法可以提高大规模网络数据分析的效率，可能影响依赖于图学习的AI应用。

排序理由 该条目是发表在arXiv上的研究论文，详细介绍了一种新的图分析算法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

• alphaXiv
• arXiv
• Bibliographic Explorer
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• Laplacian
• Litmaps
• numerical analysis
• Paley-Wiener spaces for real reductive Lie groups
• Scalable Graph Coreset Selection via Greedy Sampling
• ScienceCast
• scite Smart Citations
• stochastic block model

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →