論文の概要: GRAPE for Fast and Scalable Graph Processing and random walk-based
Embedding
- arxiv url: http://arxiv.org/abs/2110.06196v3
- Date: Sun, 7 May 2023 17:43:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 01:33:48.313576
- Title: GRAPE for Fast and Scalable Graph Processing and random walk-based
Embedding
- Title（参考訳）: 高速かつスケーラブルなグラフ処理のためのGRAPEとランダムウォークベース埋め込み
- Authors: Luca Cappelletti, Tommaso Fontana, Elena Casiraghi, Vida Ravanmehr,
Tiffany J.Callahan, Carlos Cano, Marcin P. Joachimiak, Christopher J.
Mungall, Peter N. Robinson, Justin Reese and Giorgio Valentini
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.5035217505850539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Representation Learning (GRL) methods opened new avenues for addressing
complex, real-world problems represented by graphs. However, many graphs used
in these applications comprise millions of nodes and billions of edges and are
beyond the capabilities of current methods and software implementations. We
present GRAPE, a software resource for graph processing and embedding that can
scale with big graphs by using specialized and smart data structures,
algorithms, and a fast parallel implementation of random walk-based methods.
Compared with state-of-the-art software resources, GRAPE shows an improvement
of orders of magnitude in empirical space and time complexity, as well as a
competitive edge and node label prediction performance. GRAPE comprises about
1.7 million well-documented lines of Python and Rust code and provides 69 node
embedding methods, 25 inference models, a collection of efficient graph
processing utilities and over 80,000 graphs from the literature and other
sources. Standardized interfaces allow seamless integration of third-party
libraries, while ready-to-use and modular pipelines permit an easy-to-use
evaluation of GRL methods, therefore also positioning GRAPE as a software
resource to perform a fair comparison between methods and libraries for graph
processing and embedding.
- Abstract（参考訳）: グラフ表現学習(GRL)手法は、グラフで表される複雑な実世界の問題に対処するための新たな道を開いた。
しかし、これらのアプリケーションで使われる多くのグラフは数百万のノードと数十億のエッジから構成されており、現在のメソッドやソフトウェア実装の能力を超えています。
本稿では,特殊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高速並列実装を用いて,大規模グラフにスケール可能なグラフ処理および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、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の桁数の改善、および競合エッジとノードラベル予測性能を示している。
GRAPEは、約170万行のPythonとRustのコードがドキュメント化されており、69のノード埋め込みメソッド、25の推論モデル、効率的なグラフ処理ユーティリティのコレクション、文学やその他のソースからの80,000以上のグラフを提供している。
標準化されたインターフェースはサードパーティのライブラリをシームレスに統合するが、ready-to-useとmodular pipelinesはgrlメソッドの使いやすい評価を可能にするため、grapeをソフトウェアリソースとして位置づけ、グラフ処理と埋め込みのためのメソッドとライブラリを公平に比較する。
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。