A Fast and High Quality Multilevel Scheme for Partitioning Irregular Graphs
概
本文提出了一种 multilevel graph partitioning 方法.
METIS
- METIS 的思想比较简单:
- 首先对原本的图 进行 coarsening;
- 到一定程度后, 利用一些传统的二分方法切分;
- 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:
- 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;
- 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;
- 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.
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 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
2023-09-08 How Expressive are Graph Neural Networks in Recommendation