論文の概要: GraphGallery: A Platform for Fast Benchmarking and Easy Development of
Graph Neural Networks Based Intelligent Software
- arxiv url: http://arxiv.org/abs/2102.07933v1
- Date: Tue, 16 Feb 2021 03:07:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 01:28:13.377757
- Title: GraphGallery: A Platform for Fast Benchmarking and Easy Development of
Graph Neural Networks Based Intelligent Software
- Title（参考訳）: GraphGallery: グラフニューラルネットワークベースのインテリジェントソフトウェアを高速にベンチマークし、簡単に開発するためのプラットフォーム
- Authors: Jintang Li, Kun Xu, Liang Chen, Zibin Zheng and Xiao Liu
- Abstract要約: GraphGalleryはGNNsベースのソフトウェアのベンチマークと簡単な開発のためのプラットフォームです。
メインストリームのディープラーニングフレームワークに基づいた共通GNNモデルの一連の実装を提供する。
PyGやDGLなどの既存のGNNツールボックスをプラットフォームに簡単に組み込むことができます。
- 参考スコア（独自算出の注目度）: 27.563501011415745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Networks (GNNs) have recently shown to be powerful tools for
representing and analyzing graph data. So far GNNs is becoming an increasingly
critical role in software engineering including program analysis, type
inference, and code representation. In this paper, we introduce GraphGallery, a
platform for fast benchmarking and easy development of GNNs based software.
GraphGallery is an easy-to-use platform that allows developers to automatically
deploy GNNs even with less domain-specific knowledge. It offers a set of
implementations of common GNN models based on mainstream deep learning
frameworks. In addition, existing GNNs toolboxes such as PyG and DGL can be
easily incorporated into the platform. Experiments demonstrate the reliability
of implementations and superiority in fast coding. The official source code of
GraphGallery is available at https://github.com/EdisonLeeeee/GraphGallery and a
demo video can be found at https://youtu.be/mv7Zs1YeaYo.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は最近、グラフデータを表現し分析するための強力なツールであることが示されている。
これまでのところ、GNNは、プログラム分析、型推論、コード表現を含むソフトウェアエンジニアリングにおいて、ますます重要な役割を担っている。
本稿では,高速なベンチマークと,GNNベースのソフトウェアの開発を容易にするプラットフォームであるGraphGalleryを紹介する。
GraphGalleryは使いやすく、ドメイン固有の知識の少ないGNNを自動的にデプロイできるプラットフォームである。
メインストリームのディープラーニングフレームワークに基づいた共通GNNモデルの一連の実装を提供する。
さらに、PyGやDGLなどの既存のGNNツールボックスをプラットフォームに簡単に組み込むことができます。
実験は、実装の信頼性と高速コーディングの優位性を実証する。
GraphGalleryの公式ソースコードはhttps://github.com/EdisonLeeeee/GraphGalleryで、デモビデオはhttps://youtu.be/mv7Zs1YeaYoで見ることができる。
関連論文リスト
- GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。
GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。
GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
論文 参考訳（メタデータ） (2024-06-10T04:56:16Z) - Characterizing the Efficiency of Graph Neural Network Frameworks with a
Magnifying Glass [10.839902229218577]
グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連学習タスクの成功により、大きな注目を集めている。
近年のGNNは,大規模グラフ上でのGNNのミニバッチトレーニングのために,異なるグラフサンプリング手法を用いて開発されている。
グリーンコンピューティングの観点から、フレームワークがどの程度"エコフレンドリー"であるかは不明だ。
論文 参考訳（メタデータ） (2022-11-06T04:22:19Z) - Geodesic Graph Neural Network for Efficient Graph Representation
Learning [34.047527874184134]
我々はGeodesic GNN(GDGNN)と呼ばれる効率的なGNNフレームワークを提案する。
ラベル付けなしでノード間の条件付き関係をモデルに注入する。
ジオデシック表現を前提としたGDGNNは、通常のGNNよりもはるかにリッチな構造情報を持つノード、リンク、グラフ表現を生成することができる。
論文 参考訳（メタデータ） (2022-10-06T02:02:35Z) - Measuring and Improving the Use of Graph Information in Graph Neural
Networks [38.41049128525036]
グラフニューラルネットワーク(GNN)は,グラフデータの表現学習に広く利用されている。
本稿では,グラフデータから得られる情報の量と質を測定するための2つのスムーズネス指標を提案する。
CS-GNNと呼ばれる新しいGNNモデルは、グラフの滑らかさ値に基づいてグラフ情報の利用を改善するように設計されている。
論文 参考訳（メタデータ） (2022-06-27T10:27:28Z) - KerGNNs: Interpretable Graph Neural Networks with Graph Kernels [14.421535610157093]
グラフニューラルネットワーク(GNN)は、下流グラフ関連タスクにおける最先端の手法となっている。
我々は新しいGNNフレームワークKernel Graph Neural Networks(KerGNNs)を提案する。
KerGNNはグラフカーネルをGNNのメッセージパッシングプロセスに統合する。
提案手法は,既存の最先端手法と比較して,競争性能が向上することを示す。
論文 参考訳（メタデータ） (2022-01-03T06:16:30Z) - Graph4Rec: A Universal Toolkit with Graph Neural Networks for
Recommender Systems [5.030752995016985]
Graph4RecはGNNモデルをトレーニングするためのパラダイムを統一する汎用ツールキットである。
我々は、異なるGNNモデルの性能を比較するために、体系的で包括的な実験を行う。
論文 参考訳（メタデータ） (2021-12-02T07:56:13Z) - FedGraphNN: A Federated Learning System and Benchmark for Graph Neural
Networks [68.64678614325193]
グラフニューラルネットワーク(GNN)の研究は、グラフ構造データから表現を学ぶGNNの能力のおかげで急速に成長しています。
GNNトレーニングのための大量の実世界のグラフデータを集中させることは、ユーザ側のプライバシー上の懸念から禁じられている。
GNNベースのFL研究を促進するためのオープンリサーチフェデレーション学習システムとベンチマークであるFedGraphNNを紹介します。
論文 参考訳（メタデータ） (2021-04-14T22:11:35Z) - A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。
グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文 参考訳（メタデータ） (2021-02-12T21:52:43Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - GPT-GNN: Generative Pre-Training of Graph Neural Networks [93.35945182085948]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングにおいて強力であることが示されている。
生成事前学習によりGNNを初期化するためのGPT-GNNフレームワークを提案する。
GPT-GNNは、様々な下流タスクにおいて、事前トレーニングを最大9.1%行うことなく、最先端のGNNモデルを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2020-06-27T20:12:33Z) - XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。
GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。
我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
論文 参考訳（メタデータ） (2020-06-03T23:52:43Z)
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。