論文の概要: Runtime Performances Benchmark for Knowledge Graph Embedding Methods
- arxiv url: http://arxiv.org/abs/2011.04275v1
- Date: Thu, 5 Nov 2020 21:58:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 11:22:18.438199
- Title: Runtime Performances Benchmark for Knowledge Graph Embedding Methods
- Title(参考訳): ナレッジグラフ埋め込みメソッドのランタイムパフォーマンスベンチマーク
- Authors: Angelica Sofia Valeriani
- Abstract要約: 本稿は,KGE alghoritmsの最先端実装のランタイム性能のキャラクタリゼーションについて述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper wants to focus on providing a characterization of the runtime
performances of state-of-the-art implementations of KGE alghoritms, in terms of
memory footprint and execution time. Despite the rapidly growing interest in
KGE methods, so far little attention has been devoted to their comparison and
evaluation; in particular, previous work mainly focused on performance in terms
of accuracy in specific tasks, such as link prediction. To this extent, a
framework is proposed for evaluating available KGE implementations against
graphs with different properties, with a particular focus on the effectiveness
of the adopted optimization strategies. Graphs and models have been trained
leveraging different architectures, in order to enlighten features and
properties of both models and the architectures they have been trained on. Some
results enlightened with experiments in this document are the fact that
multithreading is efficient, but benefit deacreases as the number of threads
grows in case of CPU. GPU proves to be the best architecture for the given
task, even if CPU with some vectorized instructions still behaves well.
Finally, RAM utilization for the loading of the graph never changes between
different architectures and depends only on the type of graph, not on the
model.
- Abstract(参考訳): 本稿では,kge alghoritmsの最先端実装のランタイム性能を,メモリフットプリントと実行時間の観点から評価することに注力する。
KGE手法への関心が急速に高まっているにもかかわらず、その比較と評価にはほとんど関心が向けられていない。
この点において、異なる特性を持つグラフに対して利用可能なKGE実装を評価するためのフレームワークが提案され、特に適用された最適化戦略の有効性に焦点が当てられている。
グラフとモデルは異なるアーキテクチャを活用して訓練され、モデルとそれらが訓練したアーキテクチャの両方の特徴と特性を啓蒙している。
この文書で実験によって啓発されたいくつかの結果は、マルチスレッディングが効率的であるという事実である。
GPUは、ベクトル化された命令を持つCPUがまだうまく動作していても、与えられたタスクに最適なアーキテクチャであることを証明しています。
最後に、グラフのロードにおけるRAM利用は、異なるアーキテクチャ間で決して変化せず、モデルではなくグラフの種類に依存します。
関連論文リスト
- Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。
各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。
TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文 参考訳(メタデータ) (2023-07-03T13:58:20Z) - 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) - gSuite: A Flexible and Framework Independent Benchmark Suite for Graph
Neural Network Inference on GPUs [0.0]
フレームワークに依存しないベンチマークスイートを開発し、汎用計算モデルをサポートし、アーキテクチャシミュレータで追加の労力なしで使用することができる。
gSuiteは、現在のGPUプロファイラとアーキテクチャGPUシミュレータの両方を使用して、GNN推論に関する詳細なパフォーマンス評価研究を可能にする。
我々は、GNN計算の性能を厳格に測定するために、いくつかの評価指標を使用する。
論文 参考訳(メタデータ) (2022-10-20T21:18:51Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳(メタデータ) (2022-10-14T03:43:05Z) - A Multi-scale Graph Signature for Persistence Diagrams based on Return
Probabilities of Random Walks [1.745838188269503]
トポロジ的特徴のロバスト性を高めるために,マルチスケールグラフシグネチャ群の利用について検討する。
このセット入力を処理するためのディープラーニングアーキテクチャを提案する。
ベンチマークグラフ分類データセットの実験により,提案したアーキテクチャは,他の永続的ホモロジーに基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2022-09-28T17:30:27Z) - NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search [55.75621026447599]
NAS-Bench-Graphは、GraphNASの統一的、再現可能、効率的な評価をサポートする調整されたベンチマークである。
具体的には,26,206のユニークなグラフニューラルネットワーク(GNN)アーキテクチャを網羅した,統一的で表現力のあるコンパクトな検索空間を構築する。
提案したベンチマークに基づいて,GNNアーキテクチャの性能を検索テーブルから直接取得できるが,それ以上の計算は行わない。
論文 参考訳(メタデータ) (2022-06-18T10:17:15Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Meta-path Analysis on Spatio-Temporal Graphs for Pedestrian Trajectory
Prediction [6.685013315842084]
本稿では,メタパス強化構造リカレントニューラルネットワーク(MESRNN)を提案する。
歩行者軌跡予測にはMESRNNを用いており、これらのメタパスに基づく特徴を利用して時間空間の異なる地点における歩行者軌跡間の関係を捉えている。
提案モデルでは, 長期水平線上での軌道予測の基準線を32%以上上回り, 密集層においてより社会的に適合した軌道を生成する。
論文 参考訳(メタデータ) (2022-02-27T19:09:21Z) - Training Sensitivity in Graph Isomorphism Network [2.487445341407889]
グラフニューラルネットワーク(GNN)は、グラフの低次元表現を学習するための一般的なツールである。
本稿では,多様なベンチマークデータセットを用いて,各モジュールの様々な代替機能について検討する。
論文 参考訳(メタデータ) (2020-08-19T03:50:28Z) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2020-06-10T14:48:48Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳(メタデータ) (2020-03-03T15:20:57Z)
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。