| Título : |
Large-scale Graph Analysis: System, Algorithm and Optimization |
| Tipo de documento: |
documento electrónico |
| Autores: |
Shao, Yingxia, Autor ; Cui, Bin, Autor ; Chen, Lei, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2020 |
| Número de páginas: |
XIII, 146 p. 78 ilustraciones, 30 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1539282-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Grandes datos Procesamiento de datos Teoría de grafos Minería de datos y descubrimiento de conocimientos Operaciones de TI |
| Índice Dewey: |
005.7 Datos en sistemas de computadoras |
| Resumen: |
Este libro presenta a los lectores una metodología consciente de la carga de trabajo para la optimización de algoritmos de gráficos a gran escala en sistemas de computación de gráficos y propone varias técnicas de optimización que pueden permitir que estos sistemas manejen algoritmos de gráficos avanzados de manera eficiente. Más concretamente, propone un modelo de costos consciente de la carga de trabajo para guiar el desarrollo de algoritmos de alto rendimiento. Sobre la base del modelo de costos, el libro presenta posteriormente una optimización a nivel de sistema que da como resultado un motor de computación gráfica con reconocimiento de particiones, PAGE. Además, presenta tres algoritmos de gráficos avanzados, eficientes y escalables: los algoritmos de enumeración de subgrafos, detección de subgrafos cohesivos y extracción de gráficos. Este libro ofrece una valiosa guía de referencia para investigadores jóvenes, que cubre los últimos avances en análisis de gráficos a gran escala; y para investigadores senior, compartir soluciones de última generación basadas en algoritmos gráficos avanzados. Además, todos los lectores encontrarán una metodología que tiene en cuenta la carga de trabajo para diseñar algoritmos gráficos eficientes a gran escala. |
| Nota de contenido: |
1. Introduction -- 2. Graph Computing Systems for Large-Scale Graph Analysis -- 3. Partition-Aware Graph Computing System -- 4. Efficient Parallel Subgraph Enumeration -- 5. Efficient Parallel Graph Extraction -- 6. Efficient Parallel Cohesive Subgraph Detection -- 7. Conclusions. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Large-scale Graph Analysis: System, Algorithm and Optimization [documento electrónico] / Shao, Yingxia, Autor ; Cui, Bin, Autor ; Chen, Lei, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2020 . - XIII, 146 p. 78 ilustraciones, 30 ilustraciones en color. ISBN : 978-981-1539282-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Grandes datos Procesamiento de datos Teoría de grafos Minería de datos y descubrimiento de conocimientos Operaciones de TI |
| Índice Dewey: |
005.7 Datos en sistemas de computadoras |
| Resumen: |
Este libro presenta a los lectores una metodología consciente de la carga de trabajo para la optimización de algoritmos de gráficos a gran escala en sistemas de computación de gráficos y propone varias técnicas de optimización que pueden permitir que estos sistemas manejen algoritmos de gráficos avanzados de manera eficiente. Más concretamente, propone un modelo de costos consciente de la carga de trabajo para guiar el desarrollo de algoritmos de alto rendimiento. Sobre la base del modelo de costos, el libro presenta posteriormente una optimización a nivel de sistema que da como resultado un motor de computación gráfica con reconocimiento de particiones, PAGE. Además, presenta tres algoritmos de gráficos avanzados, eficientes y escalables: los algoritmos de enumeración de subgrafos, detección de subgrafos cohesivos y extracción de gráficos. Este libro ofrece una valiosa guía de referencia para investigadores jóvenes, que cubre los últimos avances en análisis de gráficos a gran escala; y para investigadores senior, compartir soluciones de última generación basadas en algoritmos gráficos avanzados. Además, todos los lectores encontrarán una metodología que tiene en cuenta la carga de trabajo para diseñar algoritmos gráficos eficientes a gran escala. |
| Nota de contenido: |
1. Introduction -- 2. Graph Computing Systems for Large-Scale Graph Analysis -- 3. Partition-Aware Graph Computing System -- 4. Efficient Parallel Subgraph Enumeration -- 5. Efficient Parallel Graph Extraction -- 6. Efficient Parallel Cohesive Subgraph Detection -- 7. Conclusions. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
