抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
情報と技術の急速な発展により,大規模ネットワークデータはユビキタスである。本研究では,大規模ネットワークにおけるコミュニティ検出のための分散スペクトルクラスタリングアルゴリズムを開発した。この問題を処理するために,マスタサーバにlパイロットネットワークノードを配布し,作業者サーバにその他を配布する。スペクトルクラスタリングアルゴリズムを,最初に擬似中心を選択するためにマスタ上で実行した。次に,擬似中心のインデックスを,SVD型アルゴリズムを用いて,分散コミュニティ検出タスクを完了するために,作業者に放送した。提案した分散アルゴリズムは3つのメリットを持つ。第1に,擬似中心のインデックスだけが通信されるので,通信コストは低い。第2に,労働者にはさらなる反復アルゴリズムを必要とせず,従って,初期化と非ロバスト性として問題を受けない。第3に,計算の複雑さと貯蔵要求の両方は,全体の隣接マトリックスを使用するのと比較して,はるかに低かった。Sparkシステムのための分散アルゴリズムを実装するために,PythonパッケージDCD(www.github.com/Ikerlz/dcd)を開発した。理論特性を推定精度と誤クラスタリング速度に関して提供した。最後に,提案した方法論の利点を,様々な合成および経験的データセットに関する実験によって例証した。【JST・京大機械翻訳】