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
- Autor:
- Seeland, Madeleine
- Jahr:
- 2014
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- 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.
- WWW:
- https://mediatum.ub.tum.de/?id=1212457
- Eingereicht am:
- 19.05.2014
- Mündliche Prüfung:
- 19.08.2014
- Dateigröße:
- 3046552 bytes
- Seiten:
- 206
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20140819-1212457-0-1
- Letzte Änderung:
- 16.09.2014
BibTeX