論文の概要: Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional Neural Networks to Predict Functional De-Rating Factors

• arxiv url: http://arxiv.org/abs/2104.01812v1
• Date: Mon, 5 Apr 2021 08:38:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:17:51.700154
• Title: Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional Neural Networks to Predict Functional De-Rating Factors
• Title（参考訳）: グラフ畳み込みニューラルネットワークを用いたゲートレベル抽象化階層のモデル化と機能的分解因子の予測
• Authors: Aneesh Balakrishnan, Thomas Lange, Maximilien Glorieux, Dan Alexandrescu and Maksim Jenihhin
• Abstract要約: グラフ畳み込みネットワーク(GCN)を用いたゲートレベルのネットリストのモデル化手法を提案する。 モデルは、与えられた回路のシーケンシャル要素の全体的な機能劣化因子を予測する。
• 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: The paper is proposing a methodology for modeling a gate-level netlist using a Graph Convolutional Network (GCN). The model predicts the overall functional de-rating factors of sequential elements of a given circuit. In the preliminary phase of the work, the important goal is making a GCN which able to take a gate-level netlist as input information after transforming it into the Probabilistic Bayesian Graph in the form of Graph Modeling Language (GML). This part enables the GCN to learn the structural information of netlist in graph domains. In the second phase of the work, the modeled GCN trained with the a functional de-rating factor of a very low number of individual sequential elements (flip-flops). The third phase includes understanding of GCN models accuracy to model an arbitrary circuit netlist. The designed model was validated for two circuits. One is the IEEE 754 standard double precision floating point adder and the second one is the 10-Gigabit Ethernet MAC IEEE802.3 standard. The predicted results compared to the standard fault injection campaign results of the error called Single EventUpset (SEU). The validated results are graphically pictured in the form of the histogram and sorted probabilities and evaluated with the Confidence Interval (CI) metric between the predicted and simulated fault injection results.
• Abstract（参考訳）: 本稿では,グラフ畳み込みネットワーク(gcn)を用いたゲートレベルネットリストのモデル化手法を提案する。 モデルは、与えられた回路のシーケンシャル要素の全体的な機能劣化因子を予測する。 作業の初期段階において、重要なゴールは、グラフモデリング言語(GML)の形式で確率ベイズグラフに変換した後、ゲートレベルのネットリストを入力情報として得るGCNを作ることである。 この部分により、gcnはグラフドメインでnetlistの構造情報を学ぶことができる。 作業の第2フェーズでは、モデル化されたgcnは、非常に少ない個々のシーケンシャル要素(flip-flops)の機能的デレーティング係数で訓練された。 第3フェーズは、任意の回路ネットリストをモデル化するgcnモデルの精度の理解を含む。 設計されたモデルは2つの回路で検証された。 1つはIEEE 754標準のダブル精度浮動小数点加算器で、もう1つは10ギガビットのイーサネットMAC IEEE802.3標準である。 予測結果は、SEU(Single EventUpset)と呼ばれるエラーの標準的な障害注入キャンペーン結果と比較される。 評価結果はヒストグラムとソートされた確率の形式で図式化され,予測とシミュレーションされた断層注入結果の間の信頼区間(CI)測定値で評価される。

関連論文リスト

• Graph Mining under Data scarcity [6.229055041065048]
  汎用グラフニューラルネットワーク(GNN)上に適用可能な不確実性推定フレームワークを提案する。 エンド・ツー・エンドの設定で、$n$-way、$k$-shotという古典的なエピソード学習パラダイムの下でこれらのモデルをトレーニングします。 提案手法は,GNNを用いたグラフ上のFew-shotノード分類における不確実性推定器の有効性を示すベースラインよりも優れる。
  論文  参考訳（メタデータ） (2024-06-07T10:50:03Z)
• Power Failure Cascade Prediction using Graph Neural Networks [4.667031410586657]
  本稿では,初期コンテンジェンシーと電力注入値が与えられたカスケードプロセスの各世代におけるグリッド状態を予測するフローフリーモデルを提案する。 提案モデルにより,計算時間をほぼ2桁に短縮できることを示す。
  論文  参考訳（メタデータ） (2024-04-24T18:45:50Z)
• GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
  本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。 本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。 DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
  論文  参考訳（メタデータ） (2023-10-23T05:51:59Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders [31.953958053709805]
  我々は,変分オートエンコーダ(VAE)を利用して,ノード時系列の特徴とグラフ構造の両方に欠落する値を予測するPoGeVonという新しいモデルを設計する。 実験の結果,ベースライン上でのモデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-05-29T21:11:34Z)
• GPNet: Simplifying Graph Neural Networks via Multi-channel Geometric Polynomials [2.521781613847069]
  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における現実の問題を回避するための有望なアプローチである。 これらのモデルは、通常、過度に滑らかな、過度に適合する、訓練しにくい、強いホモフィリー仮定の4つの基本的な制限のうちの少なくとも1つを持つ。 本稿では, (D1) 拡張畳み込み, (D2) マルチチャネル学習, (D3) 自己注意スコア, (D4) サインファクタなどのキーデザインの集合を同定し,異なるタイプの学習を促進する。 理論的にモデルを解析し、自己注意スコアを調整することにより、様々なグラフフィルタを近似できることを示す。
  論文  参考訳（メタデータ） (2022-09-30T13:03:57Z)
• GCN-FFNN: A Two-Stream Deep Model for Learning Solution to Partial Differential Equations [3.5665681694253903]
  本稿では、グラフ畳み込みネットワーク(GCN)アーキテクチャとフィードフォワードニューラルネットワーク(FFNN)に基づく新しい2ストリームディープモデルを提案する。 提案したGCN-FFNNモデルは、PDEドメインの離散化によって得られるグリッドとグラフデータという2種類の入力表現から学習する。 その結果,各GCNモデルおよびFFNNモデルに対する提案したGCN-FFNNモデルの適用性と効率性を示した。
  論文  参考訳（メタデータ） (2022-04-28T19:16:31Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。