Fugu-MT 論文翻訳(概要): IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems

論文の概要: IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems

arxiv url: http://arxiv.org/abs/2109.06715v1
Date: Tue, 14 Sep 2021 14:28:21 GMT
ステータス: 処理完了
システム内更新日: 2021-09-15 15:46:55.843096
Title: IGNNITION: Bridging the Gap Between Graph Neural Networks and Networking Systems
Title（参考訳）: IGNNITION: グラフニューラルネットワークとネットワークシステムの間のギャップを埋める
Authors: David Pujol-Perich, Jos\'e Su\'arez-Varela, Miquel Ferriol, Shihan Xiao, Bo Wu, Albert Cabellos-Aparicio, Pere Barlet-Ros
Abstract要約: 本稿では,ネットワークシステムのためのグラフニューラルネットワーク(GNN)の高速プロトタイピングを可能にする,新しいオープンソースフレームワークIGNNITIONを提案する。 IGNNITIONは、GNNの背後にある複雑さを隠す直感的な高レベルの抽象化に基づいている。 IGNNITIONが生成するGNNモデルは,ネイティブ実装の精度と性能の点で同等であることを示す。
参考スコア（独自算出の注目度）: 4.1591055164123665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent years have seen the vast potential of Graph Neural Networks (GNN) in many fields where data is structured as graphs (e.g., chemistry, recommender systems). In particular, GNNs are becoming increasingly popular in the field of networking, as graphs are intrinsically present at many levels (e.g., topology, routing). The main novelty of GNNs is their ability to generalize to other networks unseen during training, which is an essential feature for developing practical Machine Learning (ML) solutions for networking. However, implementing a functional GNN prototype is currently a cumbersome task that requires strong skills in neural network programming. This poses an important barrier to network engineers that often do not have the necessary ML expertise. In this article, we present IGNNITION, a novel open-source framework that enables fast prototyping of GNNs for networking systems. IGNNITION is based on an intuitive high-level abstraction that hides the complexity behind GNNs, while still offering great flexibility to build custom GNN architectures. To showcase the versatility and performance of this framework, we implement two state-of-the-art GNN models applied to different networking use cases. Our results show that the GNN models produced by IGNNITION are equivalent in terms of accuracy and performance to their native implementations in TensorFlow.
Abstract（参考訳）: 近年、グラフニューラルネットワーク(GNN)は、データがグラフ(化学、推薦システムなど)として構造化される多くの分野において大きな可能性を見出している。特にGNNは、グラフが本質的に多くのレベル(トポロジ、ルーティングなど)に存在するため、ネットワーク分野において人気が高まっている。 GNNの主な特徴は、トレーニング中に見えない他のネットワークに一般化できることであり、ネットワークのための実用的な機械学習(ML)ソリューションを開発する上で不可欠な機能である。しかし、機能的なGNNプロトタイプの実装は現在、ニューラルネットワークプログラミングの強力なスキルを必要とする面倒な作業である。これは、しばしば必要なMLの専門知識を持たないネットワークエンジニアにとって重要な障壁となる。本稿では,ネットワークシステムにおけるGNNの高速プロトタイピングを可能にする,新しいオープンソースフレームワークIGNNITIONを提案する。 IGNNITIONは直感的な高レベルの抽象化に基づいており、GNNの複雑さを隠蔽しつつ、カスタムのGNNアーキテクチャを構築するための柔軟性を提供しています。このフレームワークの汎用性と性能を示すため、異なるネットワークユースケースに適用した2つの最先端GNNモデルを実装した。 IGNNITIONによって生成されたGNNモデルは、TensorFlowのネイティブ実装と精度と性能の面で同等であることを示す。

関連論文リスト

LinkSAGE: Optimizing Job Matching Using Graph Neural Networks [12.088731514483104]
本稿では、グラフニューラルネットワーク(GNN)を大規模パーソナライズされたジョブマッチングシステムに統合する革新的なフレームワークであるLinkSAGEを紹介する。当社のアプローチは、数十億のノードとエッジを持つ、業界最大の、そして最も複雑な、新しい求人市場グラフに乗じています。 LinkSAGEの重要なイノベーションは、そのトレーニングと提供の方法論である。これは、不均一で進化するグラフ上の帰納的グラフ学習とエンコーダ-デコーダGNNモデルとを効果的に組み合わせている。
論文参考訳（メタデータ） (2024-02-20T23:49:25Z)
Distributed Graph Neural Network Training: A Survey [51.77035975191926]
グラフニューラルネットワーク(GNN)は、グラフに基づいてトレーニングされたディープラーニングモデルの一種で、さまざまな領域にうまく適用されている。 GNNの有効性にもかかわらず、GNNが大規模グラフに効率的にスケールすることは依然として困難である。治療法として、分散コンピューティングは大規模GNNをトレーニングするための有望なソリューションとなる。
論文参考訳（メタデータ） (2022-11-01T01:57:00Z)
Scaling Graph-based Deep Learning models to larger networks [2.946140899052065]
Graph Neural Networks (GNN)は、ネットワーク制御と管理のために商用製品に統合される可能性を示している。本稿では,リンク容量の増大やリンクトラフィックの集約など,大規模ネットワークに効果的にスケール可能なGNNベースのソリューションを提案する。
論文参考訳（メタデータ） (2021-10-04T09:04:19Z)
AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
論文参考訳（メタデータ） (2021-08-14T03:07:26Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
論文参考訳（メタデータ） (2020-10-23T19:12:30Z)
A Practical Tutorial on Graph Neural Networks [49.919443059032226]
グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
論文参考訳（メタデータ） (2020-10-11T12:36:17Z)
Computing Graph Neural Networks: A Survey from Algorithms to Accelerators [2.491032752533246]
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からモデル化および学習する能力のため、近年、機械学習の現場で爆発的に普及している。本稿では,GNNの分野をコンピュータの観点から概観する。現在のソフトウェアとハードウェアアクセラレーションスキームの詳細な分析を行う。
論文参考訳（メタデータ） (2020-09-30T22:29:27Z)
Architectural Implications of Graph Neural Networks [17.01480604968118]
グラフニューラルネットワーク(GNN)は、グラフ構造を操作するディープラーニングモデルの新たなラインである。 GNNは、多層パーセプトロンや畳み込みニューラルネットワークなど、システムやアーキテクチャのコミュニティでは理解されていない。
論文参考訳（メタデータ） (2020-09-02T03:36:24Z)
Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
論文参考訳（メタデータ） (2020-07-14T07:43:09Z)
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)

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。