論文の概要: A Survey on Graph Neural Network Acceleration: Algorithms, Systems, and
Customized Hardware
- arxiv url: http://arxiv.org/abs/2306.14052v1
- Date: Sat, 24 Jun 2023 20:20:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 17:22:35.259280
- Title: A Survey on Graph Neural Network Acceleration: Algorithms, Systems, and
Customized Hardware
- Title(参考訳): グラフニューラルネットワークの高速化に関する調査:アルゴリズム、システム、カスタマイズされたハードウェア
- Authors: Shichang Zhang, Atefeh Sohrabizadeh, Cheng Wan, Zijie Huang, Ziniu Hu,
Yewen Wang, Yingyan (Celine) Lin, Jason Cong, Yizhou Sun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 30.525912505620685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) are emerging for machine learning research on
graph-structured data. GNNs achieve state-of-the-art performance on many tasks,
but they face scalability challenges when it comes to real-world applications
that have numerous data and strict latency requirements. Many studies have been
conducted on how to accelerate GNNs in an effort to address these challenges.
These acceleration techniques touch on various aspects of the GNN pipeline,
from smart training and inference algorithms to efficient systems and
customized hardware. As the amount of research on GNN acceleration has grown
rapidly, there lacks a systematic treatment to provide a unified view and
address the complexity of relevant works. In this survey, we provide a taxonomy
of GNN acceleration, review the existing approaches, and suggest future
research directions. Our taxonomic treatment of GNN acceleration connects the
existing works and sets the stage for further development in this area.
- Abstract(参考訳): 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、多くのデータと厳格なレイテンシ要件を持つ現実世界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。
これらの課題に対処するために、GNNの加速方法に関する多くの研究がなされている。
これらのアクセラレーション技術は、スマートトレーニングや推論アルゴリズムから効率的なシステムやカスタマイズされたハードウェアに至るまで、GNNパイプラインのさまざまな側面に触れる。
GNN加速の研究の量が急速に増えているため、統合された視点を提供し、関連する作業の複雑さに対処するための体系的な処理が欠けている。
本調査では,GNN加速の分類,既存手法の見直し,今後の研究方向性を提案する。
GNNアクセラレーションの分類学的治療は、既存の作業と結びつき、この分野のさらなる発展の舞台となる。
関連論文リスト
- Enabling Accelerators for Graph Computing [0.0]
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を学ぶための新しいパラダイムを提供する機械学習の分野に革命をもたらした。
この論文では、GNNが基盤となるハードウェアとどのように相互作用するかをよりよく理解することを目的としている。
各種GNNワークロードを効率的に処理できる最先端ハードウェアアクセラレータを設計する。
論文 参考訳(メタデータ) (2023-12-16T23:31:20Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-09-12T09:18:12Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - PyGFI: Analyzing and Enhancing Robustness of Graph Neural Networks
Against Hardware Errors [3.2780036095732035]
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学習において,有望な学習パラダイムとして登場した。
本稿では,ハードウェア故障とGNN精度の関係を理解することを目的とした,GNNレジリエンスの大規模かつ実証的研究を行う。
論文 参考訳(メタデータ) (2022-12-07T06:14:14Z) - 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) - 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) - Graph Neural Networks in Particle Physics: Implementations, Innovations,
and Challenges [7.071890461446324]
現在HEPコミュニティで十分に評価されている機能やまだ未成熟な機能について紹介する。
業界におけるGNNの普及により、HEPコミュニティは、GNNレイテンシとメモリ使用量の急速な改善の恩恵を受けることができる。
我々は、機械学習におけるグラフ技術の展望を捉え、また、研究の大きな飛躍を阻害している最も重要なギャップを指摘したいと考えています。
論文 参考訳(メタデータ) (2022-03-23T04:36:04Z) - Survey on Graph Neural Network Acceleration: An Algorithmic Perspective [42.88720757069427]
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。
論文 参考訳(メタデータ) (2022-02-10T04:01:40Z) - 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) - 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) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳(メタデータ) (2020-06-11T08:19:06Z)
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。