Fugu-MT 論文翻訳(概要): Energy-Aware DNN Graph Optimization

論文の概要: Energy-Aware DNN Graph Optimization

arxiv url: http://arxiv.org/abs/2005.05837v1
Date: Tue, 12 May 2020 14:56:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 18:23:28.956024
Title: Energy-Aware DNN Graph Optimization
Title（参考訳）: エネルギー対応dnnグラフ最適化
Authors: Yu Wang, Rong Ge and Shuang Qiu
Abstract要約: 本稿では,ディープニューラルネットワーク(DNN)グラフのエネルギー消費やエネルギーと推論性能のバランスを最適化する手法を提案する。その結果,提案手法は24%の省エネ,すなわち無視可能な性能への影響を達成できることがわかった。
参考スコア（独自算出の注目度）: 15.308980366876705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unlike existing work in deep neural network (DNN) graphs optimization for inference performance, we explore DNN graph optimization for energy awareness and savings for power- and resource-constrained machine learning devices. We present a method that allows users to optimize energy consumption or balance between energy and inference performance for DNN graphs. This method efficiently searches through the space of equivalent graphs, and identifies a graph and the corresponding algorithms that incur the least cost in execution. We implement the method and evaluate it with multiple DNN models on a GPU-based machine. Results show that our method achieves significant energy savings, i.e., 24% with negligible performance impact.
Abstract（参考訳）: 推論性能を最適化するディープニューラルネットワーク(DNN)グラフの既存の研究とは異なり、エネルギーの認識と省エネのためのDNNグラフの最適化について検討する。本稿では,dnnグラフのエネルギー消費やエネルギーと推論性能のバランスを最適化する手法を提案する。本手法は,等価グラフの空間を効率的に探索し,最小実行コストのグラフと対応するアルゴリズムを同定する。提案手法を実装し,GPU ベースマシン上で複数の DNN モデルを用いて評価する。その結果,提案手法は24%の省エネ,すなわち無視可能な性能への影響が得られた。

関連論文リスト

Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文参考訳（メタデータ） (2023-10-23T01:25:44Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
論文参考訳（メタデータ） (2023-05-21T08:15:55Z)
GNN at the Edge: Cost-Efficient Graph Neural Network Processing over Distributed Edge Servers [24.109721494781592]
グラフニューラルネットワーク(GNN)はまだ探索中であり、その広範な採用に対する大きな違いを示している。本稿では,多層ヘテロジニアスエッジネットワーク上での分散GNN処理のコスト最適化について検討する。提案手法は, 高速収束速度で95.8%以上のコスト削減を行い, デファクトベースラインよりも優れた性能が得られることを示す。
論文参考訳（メタデータ） (2022-10-31T13:03:16Z)
Spiking Variational Graph Auto-Encoders for Efficient Graph Representation Learning [10.65760757021534]
本稿では,効率的なグラフ表現学習のためのSNNに基づく深層生成手法,すなわちSpking Variational Graph Auto-Encoders (S-VGAE)を提案する。我々は,複数のベンチマークグラフデータセット上でリンク予測実験を行い,この結果から,グラフ表現学習における他のANNやSNNに匹敵する性能で,より少ないエネルギーを消費することを示した。
論文参考訳（メタデータ） (2022-10-24T12:54:41Z)
Alternately Optimized Graph Neural Networks [33.98939289745346]
グラフ上の半教師付き学習のための新しい最適化フレームワークを提案する。提案手法は交互最適化アルゴリズムにより便利に解けるので,効率は大幅に向上する。
論文参考訳（メタデータ） (2022-06-08T01:50:08Z)
Robust Reinforcement Learning on Graphs for Logistics optimization [0.0]
我々は、グラフニューラルネットワークと強化学習から、フィールドと選択したSOTAアルゴリズムの両方の最新の結果を分析した。我々のチームは、GAT、Pro-CNN、PTDNetの3つのアルゴリズムを比較した。 PTDNetとGNNを併用したAMODシステム最適化問題において,SOTAの結果を得た。
論文参考訳（メタデータ） (2022-05-25T16:16:28Z)
Characterizing and Understanding Distributed GNN Training on GPUs [2.306379679349986]
グラフニューラルネットワーク(GNN)は、グラフを学習する上で有効であるとして、多くの領域において強力なモデルであることが実証されている。大規模グラフに対するGNNトレーニングをスケールするために、分散トレーニングが広く採用されている。
論文参考訳（メタデータ） (2022-04-18T03:47:28Z)
Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文参考訳（メタデータ） (2021-12-14T22:24:53Z)
Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
論文参考訳（メタデータ） (2020-06-15T22:07:54Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。