Benutzer: Gast  Login
Originaltitel:
Structural Graph Clustering: Scalable Methods and Applications for Graph Classification and Regression 
Übersetzter Titel:
Strukturelles Graph Clustering: Skalierbare Methoden und Anwendungen für Graph Klassifikation und Regression 
Jahr:
2014 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Rost, Burkhard (Prof. Dr.) 
Gutachter:
Rost, Burkhard (Prof. Dr.); Kramer, Stefan (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Kurzfassung:
This thesis focuses on graph clustering. It introduces scalable methods for clustering large databases of small graphs by common scaffolds, i.e., the existence of one sufficiently large subgraph shared by all cluster elements. Further, the thesis studies applications for classification and regression. The experimental results show that it is for the first time possible to cluster millions of graphs within a reasonable time using an accurate scaffold-based similarity measure. 
Übersetzte Kurzfassung:
Diese Arbeit widmet sich dem Thema Graph Clustering. Sie führt skalierbare Verfahren zum Clustern von großen Graphdatenbanken auf Basis eines den Clusterelementen gemeinsamen, ausreichend großen Subgraphen ein. Weiterhin werden Anwendungen für die Klassifikation und Regression beschrieben. Die experimentellen Ergebnisse zeigen, dass es zum ersten Mal möglich ist, Millionen von Graphen unter Verwendung eines akkuraten strukturbasierten Ähnlichkeitsmaßes in einer annehmbaren Zeit zu clustern. 
Mündliche Prüfung:
19.08.2014 
Dateigröße:
3046552 bytes 
Seiten:
206 
Letzte Änderung:
16.09.2014