Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2021 | OriginalPaper | Buchkapitel

Phoenix: A Scalable Streaming Hypergraph Analysis Framework

verfasst von : Kuldeep Kurte, Neena Imam, S. M. Shamimul Hasan, Ramakrishnan Kannan

Erschienen in: Advances in Data Science and Information Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We present Phoenix, a scalable hypergraph analytics framework for data analytics and knowledge discovery that was implemented on the leadership class computing platforms at Oak Ridge National Laboratory (ORNL). Our software framework comprises a distributed implementation of a streaming server architecture which acts as a gateway for various hypergraph generators/external sources to connect. Phoenix has the capability to utilize diverse hypergraph generators, including HyGen, a very large-scale hypergraph generator developed by ORNL. Phoenix incorporates specific algorithms for efficient data representation by exploiting hidden structures of the hypergraphs. Our experimental results demonstrate Phoenix’s scalable and stable performance on massively parallel computing platforms. Phoenix’s superior performance is due to the merging of high-performance computing with data analytic.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Revealing the Relation Between Students’ Reading Notes and Scores Examination with NLP Features
Fußnoten
Literatur
1.
S. Agarwal, K. Branson, S. Belongie, Higher order learning with graphs, in Proceedings of the 23rd international conference on Machine learning (2006), pp. 17–24
2.
A. Antelmi et al., SimpleHypergraphs.jl–novel software framework for modelling and analysis of hypergraphs, in International Workshop on Algorithms and Models for the Web-Graph (Springer, Cham, 2019), pp. 115–129
3.
4.
5.
D. Ediger et al., STINGER: High performance data structure for streaming graphs, in 2012 IEEE Conference on High Performance Extreme Computing (2012), pp. 1–5
6.
E. Estrada, J. Rodriguez-Velazquez, Complex networks as hypergraphs (2005) . Arxiv preprint physics 0505137
7.
G. Feng, X. Meng, K. Ammar, DISTINGER: A distributed graph data structure for massive dynamic graph processing, in 2015 IEEE International Conference on Big Data (Big Data) (2015), pp. 1814–1822
8.
9.
10.
V. Hernandez, J.E. Roman, V. Vidal, SLEPc: A scalable and flexible toolkit for the solution of eigenvalue problems. ACM Trans. Math. Softw. (TOMS) 31(3), 351–362 (2005)
11.
P. Hintjens, ZeroMQ: messaging for many applications (O’Reilly Media, Newton, 2013)
12.
13.
14.
15.
W. Jiang et al., HyperX: A scalable hypergraph framework. IEEE Trans. Knowl. Data Eng. 31(5), 909–922 (2019)CrossRef
16.
17.
J. Leskovec et al., Kronecker graphs: An approach to modeling networks. J. Mach. Learn. Res. 11, 985–1042 (2010)MathSciNetMATH
18.
A. Lugowski et al., Scalable complex graph analysis with the knowledge discovery toolbox, in 2012 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (2012), pp. 5345–5348
19.
20.
21.
22.
23.
24.
S. Schlag et al., K-way hypergraph partitioning via n-level recursive bisection, in 2016 Proceedings of the Eighteenth Workshop on Algorithm Engineering and Experiments (ALENEX) (SIAM, Philadelphia, 2016), pp. 53–67CrossRef
25.
P. Sen et al., Collective classification in network data. AI Mag.29(3), 93–93 (2008)
26.
27.
J. Winick, S. Jamin, Inet-3.0: Internet topology generator. Technical Report CSE-TR-456-02, University of Michigan, 2002
28.
M.M. Wolf, A.M. Klinvex, D.M. Dunlavy, Advantages to modeling relational data using hypergraphs versus graphs, in 2016 IEEE High Performance Extreme Computing Conference (HPEC) (2016), pp. 1–7
29.
D.E. Womble et al., Early experiences on summit: data analytics and AI applications. IBM J. Res. Devel. 63(6), 2:1–2:9 (2019)
30.
N. Yadati et al., HyperGCN: a new method for training graph convolutional networks on hypergraphs, in Advances in Neural Information Processing Systems (2019), pp. 1509–1520
31.
A. Yoo, A.H. Baker, R. Pearce, A scalable eigensolver for large scale-free graphs using 2D graph partitioning, in Proceedings of 2011 International Conference for High Performance Computing, Networking, Storage and Analysis (2011), pp. 1–11
32.
J. You et al., Graphrnn: Generating realistic graphs with deep autoregressive models (2018). Preprint. arXiv:1802.08773
33.
D. Zhou, J. Huang, B. Schölkopf, Learning with hypergraphs: Clustering, classification, and embedding, in Advances in Neural Information Processing Systems (2007), pp. 1601–1608
Metadaten
Titel
Phoenix: A Scalable Streaming Hypergraph Analysis Framework
verfasst von
Kuldeep Kurte
Neena Imam
S. M. Shamimul Hasan
Ramakrishnan Kannan
Copyright-Jahr
2021
Buch
Advances in Data Science and Information Engineering

Print ISBN: 978-3-030-71703-2

Electronic ISBN: 978-3-030-71704-9

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-71704-9_1

Premium Partner

    Bildnachweise