論文の概要: Massively Parallel Graph Drawing and Representation Learning
- arxiv url: http://arxiv.org/abs/2011.03479v1
- Date: Fri, 6 Nov 2020 17:18:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 05:44:55.093875
- Title: Massively Parallel Graph Drawing and Representation Learning
- Title（参考訳）: 大規模並列グラフ描画と表現学習
- Authors: Christian B\"ohm, Claudia Plant
- Abstract要約: グラフ埋め込み、すなわちグラフの頂点を数値ベクトルに変換することは、重要なデータマイニングタスクである。
低次元および高次元ベクトルを生成する情報理論手法であるMulticoreGEMPEを提案する。
- 参考スコア（独自算出の注目度）: 13.736789987448466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To fully exploit the performance potential of modern multi-core processors,
machine learning and data mining algorithms for big data must be parallelized
in multiple ways. Today's CPUs consist of multiple cores, each following an
independent thread of control, and each equipped with multiple arithmetic units
which can perform the same operation on a vector of multiple data objects.
Graph embedding, i.e. converting the vertices of a graph into numerical vectors
is a data mining task of high importance and is useful for graph drawing
(low-dimensional vectors) and graph representation learning (high-dimensional
vectors). In this paper, we propose MulticoreGEMPE (Graph Embedding by
Minimizing the Predictive Entropy), an information-theoretic method which can
generate low and high-dimensional vectors. MulticoreGEMPE applies MIMD
(Multiple Instructions Multiple Data, using OpenMP) and SIMD (Single
Instructions Multiple Data, using AVX-512) parallelism. We propose general
ideas applicable in other graph-based algorithms like \emph{vectorized hashing}
and \emph{vectorized reduction}. Our experimental evaluation demonstrates the
superiority of our approach.
- Abstract（参考訳）: 現代のマルチコアプロセッサの性能をフル活用するには、ビッグデータのための機械学習とデータマイニングアルゴリズムを複数の方法で並列化する必要がある。
今日のCPUは複数のコアで構成されており、それぞれが独立した制御スレッドに従っており、複数のデータオブジェクトのベクトル上で同じ操作を実行できる複数の演算ユニットを備えている。
グラフ埋め込み、すなわちグラフの頂点を数値ベクトルに変換することは、重要度の高いデータマイニングタスクであり、グラフ描画(低次元ベクトル)やグラフ表現学習(高次元ベクトル)に有用である。
本稿では,低次元および高次元ベクトルを生成する情報理論であるMulticoreGEMPE (Graph Embedding by Minimizing the Predictive Entropy)を提案する。
マルチコアGEMPEは、MIMD (Multiple Instructions Multiple Data, using OpenMP) とSIMD (Single Instructions Multiple Data, using AVX-512) の並列性を適用している。
本稿では,他のグラフベースのアルゴリズム,例えば \emph{vectorized hashing} や \emph{vectorized reduction} に適用可能な一般アイデアを提案する。
実験による評価は,我々のアプローチの優位性を示している。
関連論文リスト
- Maximum Independent Set: Self-Training through Dynamic Programming [56.670639478539485]
本研究では、動的プログラミング(DP)にインスパイアされた最大独立集合(MIS)問題を解決するグラフニューラルネットワーク(GNN)フレームワークを提案する。
GNNをベースとしたDPライクな再帰アルゴリズムを提案し、まず2つの小さなサブグラフを構築し、より大きなMISを持つサブグラフを予測し、次に再帰呼び出しを行う。
MISサイズに関する異なるグラフの比較を注釈付けすると、自己学習プロセスが発生し、比較をより正確に自己アノテーションし、その逆も引き起こされる。
論文 参考訳（メタデータ） (2023-10-28T10:58:25Z) - ParaGraph: Weighted Graph Representation for Performance Optimization of
HPC Kernels [1.304892050913381]
抽象構文木を拡張した並列アプリケーションのためのグラフベースの新しいプログラム表現を提案する。
提案した表現は,OpenMPコード領域のランタイムを予測するために,グラフニューラルネットワーク(GNN)をトレーニングすることで評価する。
その結果,本手法は実効性があり,実行時予測では 0.004 から 0.01 に RMSE を正規化していることがわかった。
論文 参考訳（メタデータ） (2023-04-07T05:52:59Z) - Scalable Graph Convolutional Network Training on Distributed-Memory
Systems [5.169989177779801]
グラフ畳み込みネットワーク(GCN)はグラフの深層学習に広く利用されている。
グラフ上の畳み込み操作は不規則なメモリアクセスパターンを誘導するので、GCNトレーニングのためのメモリと通信効率の並列アルゴリズムを設計することはユニークな課題である。
本稿では,大規模プロセッサ数にスケールする並列トレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-09T17:51:13Z) - Batch-efficient EigenDecomposition for Small and Medium Matrices [65.67315418971688]
EigenDecomposition (ED)は多くのコンピュータビジョンアルゴリズムとアプリケーションの中心にある。
本稿では,コンピュータビジョンの応用シナリオに特化したQRベースのED手法を提案する。
論文 参考訳（メタデータ） (2022-07-09T09:14:12Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Scalable Graph Embedding LearningOn A Single GPU [18.142879223260785]
本稿では,大規模グラフの埋め込み学習の課題に対処する,ハイブリッドCPU-GPUフレームワークを提案する。
我々のシステムは、単一のマシンの総メモリ容量より桁違いに大きいデータセットにトレーニングをスケールできることを示します。
論文 参考訳（メタデータ） (2021-10-13T19:09:33Z) - Accelerating Graph Sampling for Graph Machine Learning using GPUs [2.9383911860380127]
NextDoorはGPUリソース上でグラフサンプリングを実行するように設計されたシステムである。
NextDoorは、トランジット並列性(transit-parallelism)と呼ばれるグラフサンプリングに新しいアプローチを採用しています。
我々はいくつかのグラフサンプリングアプリケーションを実装し、NextDoorが既存のシステムよりも桁違いに高速に動作していることを示す。
論文 参考訳（メタデータ） (2020-09-14T19:03:33Z) - Semi-supervised Learning for Aggregated Multilayer Graphs Using Diffuse
Interface Methods and Fast Matrix Vector Products [0.0]
拡散インタフェース法に基づくグラフに基づく半教師付き分類手法を多層グラフに一般化する。
低次元多層グラフ表現において高次元データを解釈する非常に柔軟な手法を提案する。
論文 参考訳（メタデータ） (2020-07-10T08:29:11Z) - Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。
最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。
ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文 参考訳（メタデータ） (2020-06-18T08:16:25Z) - MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical
Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。
驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文 参考訳（メタデータ） (2020-04-16T16:20:53Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。