几何深度学习子网络提取用于最大客户群计数

科学领域:

• 图形理论 图形理论
• 机器学习 机器学习
• 计算复杂性 计算复杂性

背景情况:

• 最大集群计数 (MCE) 是一个具有各种现实应用的关键NP-hard问题.
• 现有的算法通常在大型复杂网络上难以扩展.

研究的目的:

• 开发一个高效的算法,以实现最大的客户群编号.
• 为了利用几何深度学习来修剪大型网络.

主要方法:

• 拟议的LGP-MCE算法将几何深度学习与精确方法相结合.
• 应用了基于几何深度学习的节点过策略.
• 在具有不同特征的真实世界网络的大量数据集上进行测试.

主要成果:

• LGP-MCE大大缩短了最大集群计数的运行时间.
• 算法成功地保留了所有最大的集群.
• 在不同尺寸和密度的网络中验证的性能.

结论:

• LGP-MCE在解决最大集群计数问题方面取得了重大进展.
• 几何深度学习为MCE中的网络修剪提供了一种有效的方法.
• 该方法证明了现实世界网络分析的实际效率.