論文の概要: GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra

• arxiv url: http://arxiv.org/abs/2103.03653v1
• Date: Fri, 5 Mar 2021 13:26:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-08 14:36:05.425492
• Title: GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra
• Title（参考訳）: GraphMineSuite:set Algebraによる高性能でプログラマブルなグラフマイニングアルゴリズムの実現
• Authors: Maciej Besta, Zur Vonarburg-Shmaria, Yannick Schaffner, Leonardo Schwarz, Grzegorz Kwasniewski, Lukas Gianinazzi, Jakub Beranek, Kacper Janda, Tobias Holenstein, Sebastian Leisinger, Peter Tatkowski, Esref Ozdemir, Adrian Balla, Marcin Copik, Philipp Lindenberger, Pavel Kalvoda, Marek Konieczny, Onur Mutlu, Torsten Hoefler
• Abstract要約: GraphMineSuite (GMS) はグラフマイニングアルゴリズムのベンチマークスイートである。 GMSには、広範なレビュー、代表的な問題、アルゴリズム、データセットを記述した文献に基づくベンチマーク仕様が付属している。
• 参考スコア（独自算出の注目度）: 9.814439564341761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose GraphMineSuite (GMS): the first benchmarking suite for graph mining that facilitates evaluating and constructing high-performance graph mining algorithms. First, GMS comes with a benchmark specification based on extensive literature review, prescribing representative problems, algorithms, and datasets. Second, GMS offers a carefully designed software platform for seamless testing of different fine-grained elements of graph mining algorithms, such as graph representations or algorithm subroutines. The platform includes parallel implementations of more than 40 considered baselines, and it facilitates developing complex and fast mining algorithms. High modularity is possible by harnessing set algebra operations such as set intersection and difference, which enables breaking complex graph mining algorithms into simple building blocks that can be separately experimented with. GMS is supported with a broad concurrency analysis for portability in performance insights, and a novel performance metric to assess the throughput of graph mining algorithms, enabling more insightful evaluation. As use cases, we harness GMS to rapidly redesign and accelerate state-of-the-art baselines of core graph mining problems: degeneracy reordering (by up to >2x), maximal clique listing (by up to >9x), k-clique listing (by 1.1x), and subgraph isomorphism (by up to 2.5x), also obtaining better theoretical performance bounds.
• Abstract（参考訳）: 高性能グラフマイニングアルゴリズムの評価と構築を容易にするグラフマイニングのための最初のベンチマークスイートであるGraphMineSuite(GMS)を提案します。 まず、GMSは広範な文献レビューに基づくベンチマーク仕様を持ち、代表的な問題、アルゴリズム、データセットを規定している。 第二に、GMSはグラフ表現やアルゴリズムサブルーチンなどのグラフマイニングアルゴリズムのさまざまな細かい要素をシームレスにテストするための慎重に設計されたソフトウェアプラットフォームを提供します。 このプラットフォームは40以上のベースラインの並列実装を含み、複雑で高速なマイニングアルゴリズムの開発を容易にする。 集合交差や差分などの集合代数演算を活用することで、複雑なグラフマイニングアルゴリズムを別々に実験可能な単純なビルディングブロックに分解することができる。 GMSは、パフォーマンスインサイトにおけるポータビリティに関する幅広い並行性解析と、グラフマイニングアルゴリズムのスループットを評価するための新しいパフォーマンス指標を備えており、より洞察力のある評価を可能にしている。 ユースケースとして、gmsを利用して、コアグラフマイニング問題の最先端のベースラインを迅速に再設計し、加速する: 退化再順序付け(最大2倍)、最大クライクリスト(最大9倍)、k-クライクリスト(最大1.1倍)、サブグラフ同型(最大2.5倍)。

関連論文リスト

• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• 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)
• End-to-end Mapping in Heterogeneous Systems Using Graph Representation Learning [13.810753108848582]
  本稿では,エンドツーエンドでプログラム可能なグラフ表現学習フレームワークを提案する。 高レベルのプログラムの複雑さを普遍的な中間表現にマイニングし、特定の計算パターンを抽出し、特定のコア上でどのコードセグメントがベストに動作するかを予測できる。 評価では、スレッドベースの実行と比較して最大速度が6.42倍、最先端技術と比較して2.02倍であることを示す。
  論文  参考訳（メタデータ） (2022-04-25T22:13:13Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Boosting Graph Embedding on a Single GPU [3.093890460224435]
  大規模グラフを最小限のハードウェア制約で埋め込むためのGPUベースのツールであるGOSHを提案する。 更新の影響を高め、埋め込み作業を最小限にするため、新しいグラフ粗化アルゴリズムを採用している。 また、任意の任意の大きなグラフを単一のGPUで埋め込むことができる分解スキーマも組み込まれている。
  論文  参考訳（メタデータ） (2021-10-19T15:25:04Z)
• GRAPE for Fast and Scalable Graph Processing and random walk-based Embedding [0.5035217505850539]
  本稿では,グラフ処理と埋め込みのためのソフトウェアリソースであるGRAPEを紹介する。 専門的でスマートなデータ構造、アルゴリズム、ランダムウォークベースのメソッドの高速な並列実装を使用することで、大きなグラフでスケールすることができる。
  論文  参考訳（メタデータ） (2021-10-12T17:49:46Z)
• Understanding Coarsening for Embedding Large-Scale Graphs [3.6739949215165164]
  機械学習(ML)アルゴリズムによるグラフの適切な解析は、研究や産業の多くの分野において、より深い洞察をもたらす可能性がある。 グラフデータの不規則構造は、グラフ上でMLタスクを実行するための障害を構成する。 本研究では, 粗大化品質が埋込み性能に及ぼす影響を, 速度と精度の両方で解析する。
  論文  参考訳（メタデータ） (2020-09-10T15:06:33Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• MC2G: An Efficient Algorithm for Matrix Completion with Social and Item Similarity Graphs [85.89744949820376]
  MC2Gは、ソーシャルグラフとアイテム類似性グラフの存在下で行列補完を行うアルゴリズムである。 スペクトルクラスタリングと局所的な精細化のステップに基づいている。 我々は、MC2Gが他の最先端行列補完アルゴリズムより優れている合成データセットと実データセットの両方に関する広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-06-08T06:11:37Z)
• 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)
• GLSearch: Maximum Common Subgraph Detection via Learning to Search [33.9052190473029]
  検索モデルに対するグラフニューラルネットワーク(GNN)に基づく学習手法であるGLSearchを提案する。 このモデルでは2つの入力グラフから1対のノードを選択して一度に拡張する。 我々のGLSearchは、グラフ上の制約で他の多くの問題を解決するために拡張できる可能性がある。
  論文  参考訳（メタデータ） (2020-02-08T10:03:40Z)

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。