「IMGPU: GPU-Accelerated Influence Maximization in Large-Scale Social Networks」の編集履歴(バックアップ)一覧はこちら
追加された行は緑色になります。
削除された行は赤色になります。
* IMGPU: GPU-Accelerated Influence Maximization in Large-Scale Social Networks
- Mo Li, Zhenjiang Li, Longfei Shangguan, Shaojie Tang, and Xiang-Yang Li
- TPDS 2014
* 概要
- influence maximizationのGPUを取り入れたよ
- 既存手法の60倍速くなったよ
* IMGPU
** Bottom-Up Traversal Algorithm (BUTA)
- 元のグラフから沢山ランダムグラフを作る
- 各頂点のレベルを定義
-- 末端までの最長距離
- レベルで並列化するよ
- SCC内は全部同じなのでつぶすよ
- σ_S(u) = Σ_{v∈out(u)} σ_S(v) + w(u) - overlap(out(u))
-- overlapは各頂点から到達可能な頂点の重複部分
- 全体でO(kRm)
-- ホントかいな…
-- MixGreedyはCohenのアルゴリズムを使っているが,こっちは正確に求めるらしい
-- Appendixがあるらしいのでそのうち読む
** GPUでの実装
- 辺をどう持つかまで言及
- かなり細かく書いてあるけれど専門的なので分からない
* 実験
- 比較手法
-- 本論文: BUTA(普通に実行),IMGPU,IMGPU_O(さらに最適化)
- データセット
-- Twitterが大きい,|V|=11M,|E|=85M
- 確率設定
-- p=0.01
- influence spread
-- ヒューリスティクス系のσは全然駄目
- 実行時間
-- Twitterでは,IMGPU(_O)は2~3万秒位?
-- IMGPUはBUTAに比べて10倍位しか(?)変わらない
--- 結構デカイのかな?
-- PMIAが普通に動いている
--- pが小さいからなあ
- 色々入れた最適化のそれぞれの効果を実験
* まとめ
- 並列・分散のジャーナルだし,GPUで頑張れば通るのかあ
- BUTAがいまいち分からなかった
- p=0.1でやって欲しい
&tags()
&update()