通过融合与向量化加速无向网络上的并行影响力最大化核
分布式、并行与集群计算
2020-08-10 v1 社会与信息网络
摘要
影响力最大化（IM）是寻找预期在图上引发最大影响扩散的种子顶点集的问题。它在实践中具有多种应用，例如设计在社交网络内传播信息、新闻或广告的有效且高效的方法。该问题被证明是NP难的，文献中存在具有可证明质量保证的近似算法。然而，即便对于中等规模的图，这些算法在计算上也很昂贵。此外，图算法在内存访问期间通常遭受空间与时间不规则性，这在已然昂贵的IM核之上增加了额外开销。本工作中，我们利用融合采样、记忆化与向量化来重构、并行化并提升其在无向网络上的性能。所提方法采用伪随机函数，并行执行多次蒙特卡洛模拟，以有效且高效地利用SIMD通道。此外，它显著减少了边遍历次数，从而减少了从内存载入的数据量，这对几乎所有内存受限的图核都至关重要。我们将所提方法应用于传统的MixGreedy算法，并提出Infuser，其比传统贪心方法快3000倍以上，且可运行于文献中曾被认为过大的大型图。
引用
@article{arxiv.2008.03095,
title = {Boosting Parallel Influence-Maximization Kernels for Undirected Networks with Fusing and Vectorization},
author = {Gokhan Gokturk and Kamer Kaya},
journal= {arXiv preprint arXiv:2008.03095},
year = {2020}
}
备注
12 pages, 6 figures. Submitted to IEEE Transactions on Parallel and Distributed Systems