論文の概要: gSuite: A Flexible and Framework Independent Benchmark Suite for Graph Neural Network Inference on GPUs

• arxiv url: http://arxiv.org/abs/2210.11601v1
• Date: Thu, 20 Oct 2022 21:18:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 16:03:51.324192
• Title: gSuite: A Flexible and Framework Independent Benchmark Suite for Graph Neural Network Inference on GPUs
• Title（参考訳）: gSuite: GPU上のグラフニューラルネットワーク推論のためのフレキシブルでフレームワークに依存しないベンチマークスイート
• Authors: Taha Tekdo\u{g}an, Serkan G\"okta\c{s}, Ayse Yilmazer-Metin
• Abstract要約: フレームワークに依存しないベンチマークスイートを開発し、汎用計算モデルをサポートし、アーキテクチャシミュレータで追加の労力なしで使用することができる。 gSuiteは、現在のGPUプロファイラとアーキテクチャGPUシミュレータの両方を使用して、GNN推論に関する詳細なパフォーマンス評価研究を可能にする。 我々は、GNN計算の性能を厳格に測定するために、いくつかの評価指標を使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the interest to Graph Neural Networks (GNNs) is growing, the importance of benchmarking and performance characterization studies of GNNs is increasing. So far, we have seen many studies that investigate and present the performance and computational efficiency of GNNs. However, the work done so far has been carried out using a few high-level GNN frameworks. Although these frameworks provide ease of use, they contain too many dependencies to other existing libraries. The layers of implementation details and the dependencies complicate the performance analysis of GNN models that are built on top of these frameworks, especially while using architectural simulators. Furthermore, different approaches on GNN computation are generally overlooked in prior characterization studies, and merely one of the common computational models is evaluated. Based on these shortcomings and needs that we observed, we developed a benchmark suite that is framework independent, supporting versatile computational models, easily configurable and can be used with architectural simulators without additional effort. Our benchmark suite, which we call gSuite, makes use of only hardware vendor's libraries and therefore it is independent of any other frameworks. gSuite enables performing detailed performance characterization studies on GNN Inference using both contemporary GPU profilers and architectural GPU simulators. To illustrate the benefits of our new benchmark suite, we perform a detailed characterization study with a set of well-known GNN models with various datasets; running gSuite both on a real GPU card and a timing-detailed GPU simulator. We also implicate the effect of computational models on performance. We use several evaluation metrics to rigorously measure the performance of GNN computation.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)への関心が高まっているため、GNNのベンチマークと性能評価研究の重要性が高まっている。 これまでのところ、GNNの性能と計算効率を調査・提示する研究は数多く行われてきた。 しかし、これまでの作業はいくつかの高レベルなGNNフレームワークを使用して行われてきた。 これらのフレームワークは使いやすさを提供するが、他の既存のライブラリへの依存性が多すぎる。 実装の詳細層と依存関係は、特にアーキテクチャシミュレータを使用する場合、これらのフレームワーク上に構築されたGNNモデルのパフォーマンス分析を複雑にします。 さらに, 先行研究では, gnn計算に対する異なるアプローチが一般的に見過ごされ, 一般的な計算モデルの1つに過ぎなかった。 これらの欠点とニーズに基づいて、我々はフレームワークに依存しない、多種多様な計算モデルをサポートし、構成が容易で、追加の労力なしでアーキテクチャシミュレータで使用することができるベンチマークスイートを開発した。 gSuiteと呼ばれるベンチマークスイートは、ハードウェアベンダのライブラリのみを活用しているので、他のフレームワークとは独立しています。 gSuiteは、現在のGPUプロファイラとアーキテクチャGPUシミュレータの両方を使用して、GNN推論に関する詳細なパフォーマンス評価研究を可能にする。 新しいベンチマークスイートの利点を説明するために、さまざまなデータセットを持つよく知られたGNNモデルのセットを用いて、詳細なキャラクタリゼーション調査を行い、gSuiteを実際のGPUカードとタイミングの詳細GPUシミュレータ上で実行します。 また,計算モデルが性能に与える影響も示唆する。 複数の評価指標を用いてgnn計算の性能を厳密に測定した。

関連論文リスト

• UGSL: A Unified Framework for Benchmarking Graph Structure Learning [19.936173198345053]
  統合フレームワークを用いたグラフ構造学習のためのベンチマーク手法を提案する。 我々のフレームワークはUnified Graph Structure Learning (UGSL)と呼ばれ、既存のモデルを1つのモデルに再構成する。 我々の結果は、この領域における異なる方法の明確かつ簡潔な理解と、その強みと弱みを提供する。
  論文  参考訳（メタデータ） (2023-08-21T14:05:21Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Characterizing the Efficiency of Graph Neural Network Frameworks with a Magnifying Glass [10.839902229218577]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連学習タスクの成功により、大きな注目を集めている。 近年のGNNは,大規模グラフ上でのGNNのミニバッチトレーニングのために,異なるグラフサンプリング手法を用いて開発されている。 グリーンコンピューティングの観点から、フレームワークがどの程度"エコフレンドリー"であるかは不明だ。
  論文  参考訳（メタデータ） (2022-11-06T04:22:19Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• NAS-Bench-Graph: Benchmarking Graph Neural Architecture Search [55.75621026447599]
  NAS-Bench-Graphは、GraphNASの統一的、再現可能、効率的な評価をサポートする調整されたベンチマークである。 具体的には,26,206のユニークなグラフニューラルネットワーク(GNN)アーキテクチャを網羅した,統一的で表現力のあるコンパクトな検索空間を構築する。 提案したベンチマークに基づいて,GNNアーキテクチャの性能を検索テーブルから直接取得できるが,それ以上の計算は行わない。
  論文  参考訳（メタデータ） (2022-06-18T10:17:15Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• TC-GNN: Bridging Sparse GNN Computation and Dense Tensor Cores on GPUs [21.63854538768414]
  我々はGPUコアユニット(TCU)をベースとした最初のGNNフレームワークであるTC-GNNを提案する。 中心となるアイデアは、"スパース"GNNを高性能な"デンス"TCUと整合させることである。 厳密な実験は、最先端のDGLフレームワーク上で平均1.70のスピードアップを示している。
  論文  参考訳（メタデータ） (2021-12-03T18:06:23Z)
• 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)
• 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。

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。