論文の概要: GraPE: fast and scalable Graph Processing and Embedding
- arxiv url: http://arxiv.org/abs/2110.06196v1
- Date: Tue, 12 Oct 2021 17:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 15:39:54.772040
- Title: GraPE: fast and scalable Graph Processing and Embedding
- Title（参考訳）: GraPE: 高速でスケーラブルなグラフ処理と埋め込み
- Authors: Luca Cappelletti, Tommaso Fontana, Elena Casiraghi, Vida Ravanmehr,
Tiffany J.Callahan, Marcin P. Joachimiak, Christopher J. Mungall, Peter N.
Robinson, Justin Reese and Giorgio Valentini
- Abstract要約: GraPEはグラフ処理とランダムウォークベースの埋め込みのためのリソースである。
経験的空間と時間の複雑さにおいて、極度に改善された永遠の順序を表示する。
GraPEは、ラップトップやデスクトップコンピュータだけでなく、高性能コンピューティングクラスタ上でも動作するように設計されている。
- 参考スコア（独自算出の注目度）: 0.595927336539991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Representation Learning methods have enabled a wide range of learning
problems to be addressed for data that can be represented in graph form.
Nevertheless, several real world problems in economy, biology, medicine and
other fields raised relevant scaling problems with existing methods and their
software implementation, due to the size of real world graphs characterized by
millions of nodes and billions of edges. We present GraPE, a software resource
for graph processing and random walk based embedding, that can scale with large
and high-degree graphs and significantly speed up-computation. GraPE comprises
specialized data structures, algorithms, and a fast parallel implementation
that displays everal orders of magnitude improvement in empirical space and
time complexity compared to state of the art software resources, with a
corresponding boost in the performance of machine learning methods for edge and
node label prediction and for the unsupervised analysis of graphs.GraPE is
designed to run on laptop and desktop computers, as well as on high performance
computing clusters
- Abstract（参考訳）: グラフ表現学習手法は、グラフ形式で表現可能なデータに対して、幅広い学習問題に対処することができる。
それでも、経済、生物学、医学、その他の分野における現実のいくつかの問題は、数百万のノードと数十億のエッジを特徴とする実世界のグラフのサイズのため、既存の方法とそのソフトウェア実装に関するスケーリングの問題を引き起こした。
本稿では,グラフ処理とランダムウォークに基づく埋め込みのためのソフトウェアリソースであるgrapeを提案する。
grapeは特殊なデータ構造、アルゴリズム、高速な並列実装で構成されており、経験的空間と時間の複雑さにおいて、最先端のソフトウェアリソースと比較して、経験的空間と時間的複雑さが大幅に向上し、エッジとノードラベルの予測とグラフの教師なし解析のための機械学習メソッドのパフォーマンスが向上している。grapeはラップトップやデスクトップコンピュータだけでなく、高性能コンピューティングクラスタ上でも動作するように設計されている。
関連論文リスト
- Instance-Aware Graph Prompt Learning [71.26108600288308]
本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。
このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。
複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2024-11-26T18:38:38Z) - FedGraph: A Research Library and Benchmark for Federated Graph Learning [40.257355007504074]
我々はフェデレーショングラフ学習における分散デプロイとベンチマークのための研究ライブラリであるFedGraphを紹介する。
FedGraphは最先端のグラフ学習メソッドをサポートし、システムパフォーマンスを評価するための組み込みのプロファイリングツールを含んでいる。
1億のノードを持つグラフ上で実行される最初のプライバシ保護フェデレーション学習システムを実演する。
論文 参考訳（メタデータ） (2024-10-08T20:18:18Z) - 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) - MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。
最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。
本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文 参考訳（メタデータ） (2024-01-10T07:58:44Z) - Distributed Graph Embedding with Information-Oriented Random Walks [16.290803469068145]
グラフ埋め込みはグラフノードを低次元ベクトルにマッピングし、機械学習タスクで広く採用されている。
数十億のエッジグラフを埋め込むためにスケール可能な,汎用的で分散された情報中心のランダムウォークベースのグラフ埋め込みフレームワークであるDistGERを提案する。
D DistGERは2.33x-129x加速、機械間通信の45%削減、下流タスクの10%改善を示す。
論文 参考訳（メタデータ） (2023-03-28T03:11:21Z) - 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) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。
CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。
我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
論文 参考訳（メタデータ） (2021-03-01T12:35:16Z) - Accelerating Graph Sampling for Graph Machine Learning using GPUs [2.9383911860380127]
NextDoorはGPUリソース上でグラフサンプリングを実行するように設計されたシステムである。
NextDoorは、トランジット並列性(transit-parallelism)と呼ばれるグラフサンプリングに新しいアプローチを採用しています。
我々はいくつかのグラフサンプリングアプリケーションを実装し、NextDoorが既存のシステムよりも桁違いに高速に動作していることを示す。
論文 参考訳（メタデータ） (2020-09-14T19:03:33Z) - Graph topology inference benchmarks for machine learning [16.857405938139525]
本稿では,グラフ推論手法の相対的メリットと限界を明らかにするために,いくつかのベンチマークを導入する。
我々はまた、文学において最も顕著な技法のいくつかを対比している。
論文 参考訳（メタデータ） (2020-07-16T09:40:32Z) - SIGN: Scalable Inception Graph Neural Networks [4.5158585619109495]
本稿では,グラフサンプリングの必要性を助長する,効率的でスケーラブルなグラフ深層学習アーキテクチャを提案する。
私たちのアーキテクチャでは、異なるローカルグラフ演算子を使用して、そのタスクに最も適しています。
我々は,1億1000万のノードと15億のエッジを持つ,最大の公開グラフデータセットであるogbn-papers100Mについて,最先端の結果を得た。
論文 参考訳（メタデータ） (2020-04-23T14:46:10Z)
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。