流图挑战：随机块划分
定量方法
2018-02-07 v1
摘要
分析现实世界图的一个重要目标是实现对大型流图的可扩展性能。图划分问题是一个具有挑战性且相关的例子。作为一个组合问题，图划分是 NP 难的，但现有的松弛方法提供了合理的近似解，可扩展至大型图。竞争性基准测试和挑战已被证明是推动最先进性能并促进社区协作的有效手段。本文描述了一个图划分挑战，其基线划分算法具有次二次复杂度。该算法采用基于统计模型的严格贝叶斯推断方法，该模型捕捉了现实世界图的特征。这一坚实基础使该算法能够解决模块化最大化等知名图划分方法的局限性。本文描述了挑战的各个方面，包括：(1) 数据集和流图生成器，(2) 带有伪代码的基线划分算法，(3) 关于并行化贝叶斯推断正确性的论证，(4) 不同的并行计算策略（如基于节点的并行和基于矩阵的并行），(5) 划分正确性和计算需求的评估指标，(6) 基于 Python 的演示代码和开源 C++ 代码的初步计时，以及 (7) 以流式方式划分图的考量。算法的数据集和源代码以及指标（附详细文档）可在 GraphChallenge.org 获取。
引用
@article{arxiv.1708.07880,
title = {How causal analysis can reveal autonomy in models of biological systems},
author = {William Marshall and Hyunju Kim and Sara I. Walker and Giulio Tononi and Larissa Albantakis},
journal= {arXiv preprint arXiv:1708.07880},
year = {2018}
}
备注
15 pages, 4 figures, to appear in Philosophical Transactions of the Royal Society A