【科研实验】SSV 算法在 KVCC 图分割上的对比实验分析
2022年3月13日 1 分钟阅读 数据分析与量化研究
1.直接计算SSV的时候neighbor交集如何处理？
image-20220217145645357
solution
image-20220225081614778
2.如何更准确地利用lemma11, 12计算SSV？
image-20220217145658098
3.怎么平衡计算SSV的花费与其带来的sweep的收益？
CA-AstroPh.txt
k=11(20% kmax)
image-20220225081653786
k=23(40% kmax)，compute SSV every step
image-20220225100606184
compute SSV once
image-20220225101023937
VCCE：
image-20220225100758816
只计算flow<k的LOC-CUT部分
image-20220225101931632
只计算flow<k的LOC-CUT部分
image-20220225102253043
flow>=k,
2491
2297
Conclusion
SSV能sweep的LOC-CUT大部分是flow<k的情况，这部分耗时不多，所以效果不显著
New Data
CA-AstroPh.txt
image-20220302193632171
K=23
image-20220301223551137
K=34
image-20220301224006815
K=11
image-20220301230102079
image-20220304105700895
web-Stanford.txt
K=28(40%)
image-20220302184635041
image-20220302190112386
5/5毕设实验结果
CA-AstroPh
image-20220505150805252
Stanford
image-20220505151132497
image-20220505151647904
image-20220505153558777
image-20220505181418595
image-20220505183722563
CA-CondMat
image-20220505160052610
image-20220505165503162
Cit