有向无环图的并行DFS 根据， 是DFS遍历的并行算法的C ++实现。 该算法下的思想克服了基于DFS的标准标记方法的并行实现问题。 这是因为DFS在边缘访问和某些全局变量的使用方面要求严格的顺序，这在需要并行处理时代表了很大的局限性。 该算法为有向无环图（DAG）的DFS遍历提供了不超过3次BFS访问的有效解决方案，从而可以找到DAG节点之间的前序，后序和父级关系。 BFS的首次访问旨在将DAG转换为DT（图B）； 下次访问是在DT上完成的，它的作用是为每个节点找到子树的大小，子树的大小定义为可从其到达的节点数加上自身（图C）； 进行第三次访问时，可以获取根据DFS访问顺序先前应访问的节点，查看当前节点的先前同级和父级先前同级的子树大小（图D）。 从先前计算出的值开始，我们获得后顺序和前顺序（在此实现中未计算后顺序，但是只需对代码进行很小的更改即可轻松完成）（图E）。 请注意

This standard textbook of modern graph theory, now in its fifth edition, combines the authority of a classic with the engaging freshness of style that is the hallmark of active mathematics. It covers the core material of the subject with concise yet reliably complete proofs, while offering glimpses

课程实验资源，包括最基础的SVM，灰度共生矩阵，SIFT等一些算法，应用在识别，匹配的一些基础应用中；基础但是贴合理论。

CCS3.3里面，使用View -Graph-Image显示图片 DSP图片显示。自己试验，配图显示过程，希望能帮助你！

绘图员 ,,,*,,*,,. 这个 repo 是的官方实现。 . 更新 06/10/2021 初始提交： 许可证文件和示例代码。 介绍 Graphormer最初是在描述的，它是一个标准的 Transformer 架构，具有多种结构编码，可以有效地将图的结构信息编码到模型中。 Graphormer 在 PCQM4M-LSC（ 0.1234 MAE ）、MolPCBA（测试值为31.39 AP(%) )、MolHIV（测试值为80.51 AUC(%) ）和 ZINC（测试值为0.122 MAE on test 80.51 AUC(%)上取得了强劲的性能，比之前的模型高出一倍大保证金。 主要结果 引用 Graphormer @article{ying2021transformers, title={Do Transformers Really Perform Bad for Gr

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

控制流图 Java中的控制流图模型 作者 佩纳安东尼 布朗丁·尼古拉斯 巴登·杰里米 编译 mvn compile 执行 mvn exec:java or mvn exec:java -Dexec.mainClass="fr.univnantes.controlflowgraph.App" 添加为库 检索项目 git clone https://github.com/masterALMA2016/control-flow-graph.git 在 control-flow-graph 根目录（pom.xml 文件所在）中执行这些命令 mvn package mvn install or mvn install:install-file -Dfile=target/controlflowgraph-1.0.jar -DgroupId=fr.univnantes.controlflowg

GKT 本文。 GKT的体系结构如下： 设置 要运行此代码，您需要以下内容： 配备GPU的机器 python3 numpy，pandas，scipy，scikit-learn和火炬程序包： pip3 install numpy==1.17.4 pandas==1.1.2 scipy==1.5.2 scikit-learn==0.23.2 torch==1.4.0 请注意，不要使用0.23.4版本的熊猫，因为在processing.py文件中执行以下命令时，它将导致错误。 df.groupby('user_id', axis=0).apply(get_data) 如果您使用“ assistment_test15.csv”文件进行测试，则在pandas 0.23.4版本中，经过groupby用户后，它将返回16名学生。 但是，如果您在1.x版本中使用熊猫，它将返回15名学生。 （此

用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) 实验 可以通过以下方式运行实验： $ python train_zinc_subset.py $ python train_zinc_full.py $ python train_hiv.py $ python train_muv.py $ python train_tox21.py $ python train_ogbhiv.py $ python train_ogbpcba.py 引用 如果您在自己的工作中使用此代码，请引用： @inproceedings{Fey/etal/2020,

基于Mapreduce的大规模图强连通分量算法，吕璐，谢磊，有向图强连通分量是图论中的基本问题。强连通分量算法一般都是基于深度优先搜索，但难于在大规模图上并行实现。本文提出了一种基