Core Concepts
DF Louvain은 배치 업데이트에 대해 영향을 받는 정점들을 효율적으로 식별하고 처리하며, 정점의 가중 차수와 커뮤니티의 총 간선 가중치를 점진적으로 업데이트하여 성능을 크게 향상시킨다.
Abstract
이 논문은 동적 그래프에서 커뮤니티를 효율적으로 탐지하는 DF Louvain 알고리즘을 소개한다.
DF Louvain은 배치 업데이트(간선 삭제 및 삽입)가 주어졌을 때, 영향을 받는 정점들을 최소한의 오버헤드로 점진적으로 식별하고 처리한다. 또한 정점의 가중 차수와 커뮤니티의 총 간선 가중치를 점진적으로 업데이트하여 Louvain 알고리즘의 성능을 크게 향상시킨다.
저자는 기존의 Naive-dynamic(ND) Louvain과 Delta-screening(DS) Louvain 알고리즘도 병렬로 구현하였다. 실험 결과, DF Louvain은 실제 동적 그래프에서 Static, ND, DS Louvain 대비 각각 179배, 7.2배, 5.3배 빠르며, 대규모 그래프에서는 183배, 13.8배, 8.7배 빠른 것으로 나타났다. 또한 DF Louvain은 스레드 수가 2배 증가할 때마다 성능이 1.6배 향상되었다.
Stats
DF Louvain은 실제 동적 그래프에서 Static Louvain 대비 평균 179배 빠르다.
DF Louvain은 실제 동적 그래프에서 ND Louvain 대비 평균 7.2배 빠르다.
DF Louvain은 실제 동적 그래프에서 DS Louvain 대비 평균 5.3배 빠르다.
DF Louvain은 대규모 그래프에서 Static Louvain 대비 평균 183배 빠르다.
DF Louvain은 대규모 그래프에서 ND Louvain 대비 평균 13.8배 빠르다.
DF Louvain은 대규모 그래프에서 DS Louvain 대비 평균 8.7배 빠르다.
DF Louvain의 성능은 스레드 수가 2배 증가할 때마다 1.6배 향상된다.
Quotes
"DF Louvain은 실제 동적 그래프에서 Static Louvain 대비 평균 179배 빠르다."
"DF Louvain은 대규모 그래프에서 Static Louvain 대비 평균 183배 빠르다."
"DF Louvain의 성능은 스레드 수가 2배 증가할 때마다 1.6배 향상된다."