A Fast and High Quality Multilevel Scheme for Partitioning Irregular Graphs

Karypis G. and Kumar V. A fast and high quality multilevel scheme for partitioning irregular graphs. SIAM, 1998.

本文提出了一种 multilevel graph partitioning 方法.

METIS

  • METIS 的思想比较简单:
    1. 首先对原本的图 G0 进行 coarsening;
    2. 到一定程度后, 利用一些传统的二分方法切分;
    3. 分完之后映射回去, 在这过程中, 对之前的二分进行微调.

Coarsening

  • 作者给出了几种基于 maximal matching 的 coarsening 方法:
    1. Random matching (RM): 遇到一个没有 matched 的节点, 随机选择它的一个邻居作为 matching, 类似推广到所有节点;
    2. Heavy edge matching (HEM): 之前的过程是完全随机的, 但是这种方式所选择的 matching 不一定能够很好的最小化 edge-cut, 所以顺序按照 edge weight 来安排;
    3. Heavy clique matching (HCM): ...

Partitioning phase

  • 这一阶段, 作者采用一些二分方法进行切分, 常用的方法都可以用在这里, 比如: Spectral bisection (SB), KL (Kernighan-Lin) algorithm, 作者建议采用后者.

Uncoarsening phase

  • 这一阶段, 逐步映射回原本的节点. 在细粒度的过程中, 切分可以进一步通过 KL algorithm 进行微调. 与之前不同的时候, 因为有一个了初步的微调, 所以这一步的迭代次数可以大大降低.
posted @   馒头and花卷  阅读(32)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· Manus重磅发布:全球首款通用AI代理技术深度解析与实战指南
· 被坑几百块钱后,我竟然真的恢复了删除的微信聊天记录!
· 没有Manus邀请码?试试免邀请码的MGX或者开源的OpenManus吧
· 园子的第一款AI主题卫衣上架——"HELLO! HOW CAN I ASSIST YOU TODAY
· 【自荐】一款简洁、开源的在线白板工具 Drawnix
历史上的今天:
2023-09-08 How Expressive are Graph Neural Networks in Recommendation
点击右上角即可分享
微信分享提示