面向大型图的内存高效 GPU 基于标签传播算法（LPA）社区检测
分布式、并行与集群计算
2024-12-02 v1 社会与信息网络
摘要
社区检测涉及将图中具有组内稠密连接的节点分组，而组间连接较少。我们先前提出了高效多核（GVE-LPA）和 GPU 基于（-LPA）标签传播算法（LPA）实现，用于社区检测。然而，这些方法由于每个线程/顶点的哈希表而导致高内存开销，这使得在共享内存系统上处理大型图具有挑战性。在本报告中，我们引入内存高效的 GPU 基于 LPA 实现，采用加权 Boyer-Moore（BM）和 Misra-Gries（MG）素描。我们新的实现，MG8-LPA，使用 8 插槽 MG 素描，相对于 GVE-LPA 和-LPA 分别将内存使用减少 98 倍和 44 倍。它也比 GVE-LPA 快 2.4 倍，仅比-LPA 慢 1.1 倍，同时保持最小质量损失（相对于 GVE-LPA/-LPA 分别下降 4.7%/2.9%）。
引用
@article{arxiv.2411.19901,
title = {Memory Efficient GPU-based Label Propagation Algorithm (LPA) for Community Detection on Large Graphs},
author = {Subhajit Sahu},
journal= {arXiv preprint arXiv:2411.19901},
year = {2024}
}
备注
18 pages, 7 figures, 1 table