Speaker
Description
Ключевые слова: модульность, спектр, кластеризация, графы, параллельные алгоритмы, Ланцош, CUDA, GPU.
Работа посвящена анализу сетей и алгоритмам кластеризации. Основное внимание уделено представлению и исследованию параллельного алгоритма кластеризации, в котором акцентируется внимание на оптимизацию модульности [1, 2]. Модульность — это мера, которая оценивает качество разбиения сети на основе плотности связей внутри сообществ по сравнению со связями между сообществами.
Предлагается параллельный подход к кластеризации на основе модульности для повышения эффективности разбиения сетей на целостные модули. Алгоритм направлен на ускорение процесса кластеризации, особенно для крупномасштабных сетей, где традиционные последовательные алгоритмы достаточно трудоемки по ресурсам и времени. GPU может параллельно выполнять тысячи легких потоков и достигать более высокой общей скорости выполнения команд и пропускной способности памяти.
В работе рассматривается распараллеливание на основе спектральной кластеризации для обработки больших данных. Основным вкладом являются оптимизированные параллельные алгоритмы на графическом процессоре в формате CSR. Это позволяет добиться значительного повышения производительности, существенно снизить требования к объему памяти на графическом процессоре и сделать возможным последующие вычисления спектральной кластеризации.
Работа выполнена при финансовой поддержке Министерства науки и высшего образования Российской Федерации (код проекта 0251-2022-0001).
Список литературы
1. A Fender, N Emad, S Petiton, M Naumov Parallel modularity clustering// International Conference on Computational Science, ICCS 2017, 12-14 June 2017
2. M. Naumov, T. Moon Parallel spectral graph partitioning // Tech. Rep. NVR-2016-001, NVIDIA, 2016.
| Секция конференции | Суперкомпьютерные вычисления и программирование |
|---|
