×
北卡罗来纳州塔卢克。;M.J.扎基。

大规模网络中的分布式图挖掘方法。 （英文） Zbl 1411.68123号

数据最小知识。发现。 30，第5期，1024-1052（2016）.
摘要：我们提出了一种新的分布式算法，用于从单个、非常大的标记网络中挖掘频繁子图。我们的方法是第一种分布式方法，用于挖掘太大而无法放入任何单个计算节点内存的大规模输入图。因此，必须在节点之间划分输入图，这可能会导致潜在的误报。此外，为了获得可扩展的性能，最小化计算节点之间的通信至关重要。我们的算法，DistGraph（分布图）确保没有误报，并使用一组优化和高效的集体通信操作来最小化信息交换。据我们所知DistGraph（分布图）是第一种演示缩放到具有十亿个顶点和边的图的方法。在多达2048个IBM Blue Gene/Q计算节点（每个节点有16个核）上的可扩展性结果显示出了非常好的速度提升。

引用于4文件

MSC公司：

68T05型 人工智能中的学习和自适应系统
05C82号 小世界图形、复杂网络（图形理论方面）
62-07 数据分析（统计）（MSC2010）
62H30型 分类和区分；聚类分析（统计方面）
第68页，共15页 数据库理论
68宽15 分布式算法

关键词：

并行图挖掘;分布式图挖掘;单个大图形;频繁子图挖掘;高性能计算

软件：

gSpan（量程）
PDF格式BibTeX公司 XML格式引用
\textit{N.Talukder}和\textit{M.J.Zaki}，Data Min.Knowl。发现。30，编号51024-1052（2016；兹bl 1411.68123）
全文： 内政部

参考文献：

[1] Afrati FN、Fotakis D、Ullman JD（2013）使用map-reduce枚举子图实例。参加：IEEE数据工程国际会议
[2] Bhuiyan M，Al Hasan M（2015）基于迭代mapreduce的频繁子图挖掘算法。IEEE Trans Knowl Data Eng 27（3）：608-620·doi:10.1109/TKDE.2014.2345408
[3] Bringmann B，Nijssen S（2008）单个图形中的频率是多少？主题：亚太地区知识发现和数据挖掘进展会议
[4] Buehrer G，Parthasarathy S，Chen Y-K（2006）cmp体系结构的自适应并行图挖掘。参加：IEEE数据挖掘国际会议
[5] Elseidy M，Abdelhamid E，Skiadopoulos S，Kalnis P（2014）Grami:单个大型图中的频繁子图和模式挖掘。程序VLDB Endow 7:517-528·doi:10.14778/2732286.2732289
[6] Fatta GD，Berthold MR（2006），分子结构分布式挖掘的动态负载平衡。IEEE跨并行配电系统17（8）：773-785·doi:10.1109/TPDS.2006.101
[7] Hill S，Srichandan B，Sunderraman R（2012）生物数据集中频繁子图挖掘的迭代mapreduce方法。参加：ACM生物信息学、计算生物学和生物医学会议
[8] Holder LB，Cook DJ（1993）从结构数据中发现不精确的概念。IEEE Trans Knowl Data Eng 5（6）：992-994·数字对象标识代码：10.1109/69.250085
[9] Huan J，Wang W，Prins J（2003）同构下频繁子图的高效挖掘。参加：IEEE数据挖掘国际会议
[10] Inokuchi A，Washio T，Motoda H（2000）一种基于先验的算法，用于从图形数据中挖掘频繁子结构。In：数据挖掘和知识发现的原理。LNCS第1910卷。施普林格，第13-23页
[11] Karypis G，Kumar V（1998）用于划分不规则图的快速高质量多级方案。SIAM科学计算杂志20（1）：359-392·Zbl 0915.68129号 ·doi:10.1137/S1064827595287997
[12] Kessl R、Talukder N、Anchuri P、Zaki MJ（2014）《使用GPU的并行图挖掘》。BigMine研讨会论文集（ACM SIGKDD），《机器学习研究杂志：会议和研讨会论文集》，第36:1-16页
[13] Kimelfeld B，Kolaitis PG（2014）挖掘最大频繁子图的复杂性。ACM跨数据库系统（TODS）39（4）：32·Zbl 1474.68106号 ·doi:10.1145/2629550
[14] Kuramochi M，Karypis G（2001）频繁子图发现。在：IEEE数据挖掘国际会议
[15] Kuramochi M，Karypis G（2005）在大型稀疏图中发现频繁模式。数据最小知识发现11（3）：243-271·doi:10.1007/s10618-005-0003-9
[16] Lin W，Xiao X，Ghinta G（2014）mapreduce中的大尺度频繁子图挖掘。参加：IEEE数据工程国际会议
[17] Liu Y，Jiang X，Chen H，Ma J，Zhang X（2009）基于Mapreduce的模式查找算法在处方配伍网络基序检测中的应用。in:Advanced parallel processing technologies，LNCS vol.5737。施普林格，pp 341-355
[18] Lu W，Chen G，Tung A，Zhao F（2013）使用mapreduce高效提取频繁子图。参加：IEEE大数据国际会议
[19] Meinl T，Wörlein M，Fischer I，Philippsen M（2006）在对称多处理器系统上挖掘分子数据集。收录：IEEE系统、人与控制论国际会议，第2卷
[20] Reinhardt S，Karypis G（2007）在大型稀疏图中查找频繁模式的程序的多级并行实现。In:IEEE国际并行和分布式处理研讨会
[21] Shahrivari S，Jalili S（2015）使用MapReduce分布式发现网络的频繁子图。计算97（11）：1101-1120·Zbl 1343.68284号 ·doi:10.1007/s00607-015-0446-9
[22] Shao Y，Cui B，Chen L，Ma L，Yao J，Xu N（2014）大规模图中的并行子图列表。参加：ACM SIGMOD国际数据管理会议
[23] 孙Z，王H，王H，邵B，李J（2012）十亿节点图上的高效子图匹配。VLDB Endow程序5（9）：788-799·doi:10.14778/2311906.2311907
[24] Teixeira CHC、Fonseca AJ、Serafini M、Siganos G、Zaki MJ、Aboulnaga A（2015）《阿拉伯：分布式图形模式挖掘系统》。In:第25届ACM操作系统原理研讨会
[25] 尤卡尔，D。；Asur，S。；Catalysurek，美国。；Parthasarathy，S。；Fürnkranz，J.（编辑）；Scheffer，T.（编辑）；Spiliopoulou，M.（编辑），使用hub-induced subgraph改进蛋白质相互作用图中的功能模块性，371-382（2006），柏林·doi:10.1007/11871637_36
[26] Wu B，Bai Y（2010）一种有效的超大图中的分布式子图挖掘算法。In：人工智能和计算智能国际会议：第一部分
[27] 严X，韩J（2002）gspan:基于图的子结构模式挖掘。参加：IEEE数据挖掘国际会议
[28] Yang G（2004）挖掘最大频繁项集和最大频繁模式的复杂性。摘自：第十届ACM SIGKDD知识发现和数据挖掘国际会议论文集。ACM，第344-353页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。