카스 1.6 다운로드

08/02/20

. 제안된 방법의 성능을 확인하기 위해 소규모 네트워크와 대규모 네트워크에 알고리즘을 적용했습니다. 실험 결과는 제안된 알고리즘이 대규모 네트워크를 분석할 수 있음을 보여주었고, 제안된 알고리즘은 다른 알고리즘보다 높은 품질의 클러스터를 찾는다는 것을 보여주었습니다. 제안된 알고리즘은 k-center 알고리즘보다 대규모 조밀하게 연결된 네트워크를 분석하는 데 더 많은 시간이 필요하지만 제안된 알고리즘은 엣지의 가중치를 계산하고 이를 사용하여 조밀하게 네트워크 분석을 가능하게 합니다. 연결된 케이스를 연결합니다. 또한 제안된 알고리즘은 다른 비교 알고리즘보다 메모리 사용량이 적다는 것을 확인했습니다. 더욱이, 제안된 알고리즘은 구조 유사성을 계산하여 결과를 저장하고 재사용할 수 있으며, 이는 동일한 네트워크의 다양한 분석이 요구되는 상황에서 매우 유리하다. 또한 실험을 통해 제안된 알고리즘의 확장성을 확인하고 셔플 선택 및 Bloom 필터와 관련된 최적화의 효과를 확인했습니다. 또한 제안된 알고리즘이 Humannet을 사용하여 생물학적으로 의미 있는 기능을 나타낼 수 있는 클러스터를 찾을 수 있는지도 확인했습니다. 한국과학기술정보연구원, 대전, 한국과학기술연구원, 이번 연구에서는 아파치 스파크 환경에서 대규모 네트워크를 위한 구조 유사성(CASS)에 기반한 새로운 분산 네트워크 클러스터링 알고리즘을 제안한다. 제안된 알고리즘은 구조 유사성 [18]을 사용하여 모서리의 가중치를 계산합니다. 구조 유사성은 두 개의 상이한 노드 간의 유사성을 나타낼 수 있는 점수이다.

두 노드가 공유하는 인접 노드수가 높을수록 점수가 높아지습니다. 구조 유사성 계산은 알고리즘의 계산 복잡성의 큰 부분을 나타내므로 삼각형 구조와 조인 작업을 사용하여 아파치 스파크에 적합한 형태로 이 프로세스를 변경했습니다. 또한, 제안된 알고리즘을 개선하기 위해 Bloom 필터 및 셔플 선택과 같은 최적화 접근 방식을 채택하고, Humannet에서 발견된 클러스터를 분석하여 제안된 알고리즘이 생물학적으로 중요한 클러스터를 찾을 수 있는지 여부를 확인합니다. 이 작업의 주요 기여는 다음과 같습니다: 첫째, 우리는 평균 정규화 컷을 계산하여 각 알고리즘에서 발견 된 클러스터의 품질을 측정합니다. k-center 알고리즘의 결과에는 노드가 하나만 있는 클러스터가 포함되며 이러한 클러스터는 실험에서 제외됩니다. k-center 알고리즘의 경우 k-center 알고리즘의 매개 변수를 설정하여 제안된 메서드에 거의 동일한 수의 클러스터를 찾습니다.