Fugu-MT 論文翻訳(概要): Survey on Graph Neural Network Acceleration: An Algorithmic Perspective

論文の概要: Survey on Graph Neural Network Acceleration: An Algorithmic Perspective

arxiv url: http://arxiv.org/abs/2202.04822v1
Date: Thu, 10 Feb 2022 04:01:40 GMT
ステータス: 処理完了
システム内更新日: 2022-02-11 14:40:26.715831
Title: Survey on Graph Neural Network Acceleration: An Algorithmic Perspective
Title（参考訳）: グラフニューラルネットワーク加速に関するサーベイ:アルゴリズムの視点から
Authors: Xin Liu, Mingyu Yan, Lei Deng, Guoqi Li, Xiaochun Ye, Dongrui Fan, Shirui Pan, Yuan Xie
Abstract要約: グラフニューラルネットワーク(GNN)は最近の研究のホットスポットであり、多様なアプリケーションで広く利用されている。本稿では,アルゴリズムの観点から,GNNの高速化手法に関する包括的調査を行う。
参考スコア（独自算出の注目度）: 42.88720757069427
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) have been a hot spot of recent research and are widely utilized in diverse applications. However, with the use of huger data and deeper models, an urgent demand is unsurprisingly made to accelerate GNNs for more efficient execution. In this paper, we provide a comprehensive survey on acceleration methods for GNNs from an algorithmic perspective. We first present a new taxonomy to classify existing acceleration methods into five categories. Based on the classification, we systematically discuss these methods and highlight their correlations. Next, we provide comparisons from aspects of the efficiency and characteristics of these methods. Finally, we suggest some promising prospects for future research.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は最近の研究のホットスポットであり、多様なアプリケーションで広く利用されている。しかし、巨大なデータとより深いモデルを使用することで、より効率的な実行のためにGNNを加速するために急激な需要が生まれている。本稿では,アルゴリズムの観点から,GNNの高速化手法に関する包括的調査を行う。まず、既存の加速法を5つのカテゴリに分類する新しい分類法を提案する。分類に基づいて,これらの手法を体系的に議論し,それらの相関関係を強調する。次に,これらの手法の効率性と特性について比較を行った。最後に,今後の研究の展望について提案する。

関連論文リスト

Faster Inference Time for GNNs using coarsening [1.323700980948722]
粗い手法はグラフを小さくするために使われ、計算が高速化される。これまでの調査では、推論中にコストに対処できなかった。本稿では, サブグラフベース手法によるGNNのスケーラビリティ向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2024-10-19T06:27:24Z)
Acceleration Algorithms in GNNs: A Survey [34.28669696478494]
グラフニューラルネットワーク(GNN)は、様々なグラフベースのタスクにおいて有効性を示している。トレーニングと推論の非効率性は、実世界の大規模グラフアプリケーションにスケールアップする上での課題である。 GNNの訓練と推論を高速化するアルゴリズムが提案されている。
論文参考訳（メタデータ） (2024-05-07T08:34:33Z)
A Survey on Graph Neural Network Acceleration: Algorithms, Systems, and Customized Hardware [30.525912505620685]
グラフ構造化データに関する機械学習研究のために、グラフニューラルネットワーク(GNN)が登場している。 GNNは多くのタスクで最先端のパフォーマンスを実現するが、現実のアプリケーションではスケーラビリティの問題に直面している。我々は,GNN加速の分類学を提供し,既存のアプローチをレビューし,今後の研究方向性を提案する。
論文参考訳（メタデータ） (2023-06-24T20:20:45Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文参考訳（メタデータ） (2022-06-01T09:59:09Z)
Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文参考訳（メタデータ） (2022-05-31T10:38:04Z)
Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文参考訳（メタデータ） (2022-02-14T23:07:47Z)
Tackling Oversmoothing of GNNs with Contrastive Learning [35.88575306925201]
グラフニューラルネットワーク(GNN)は、グラフデータと表現学習能力の包括的な関係を統合する。オーバースムーシングはノードの最終的な表現を識別不能にし、ノード分類とリンク予測性能を劣化させる。本稿では,TGCL(Topology-Guided Graph Contrastive Layer)を提案する。
論文参考訳（メタデータ） (2021-10-26T15:56:16Z)
Ranking Structured Objects with Graph Neural Networks [0.0]
RankGNNはグラフ間のペアワイズ選好のセットでトレーニングされており、一方が他方よりも好まれていることを示唆している。この問題の実用的な適用の1つは薬剤の候補者の大規模なコレクションの最も有望な分子を見つけたいと思う薬剤のスクリーニングです。提案するペアワイズrankgnnアプローチが,平均的なポイントワイズベースラインアプローチのランキング性能を有意に上回っているか,少なくとも同等であることを示す。
論文参考訳（メタデータ） (2021-04-18T14:40:59Z)
Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。私たちはNode Maskingというシンプルなコンセプトを導入しました。
論文参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。