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

• Graph Neural Networks for Job Shop Scheduling Problems: A Survey [9.072608705759322]
  ジョブショップスケジューリング問題(JSSP)は、重要な最適化問題である。 近年、JSSPの解決にグラフニューラルネットワーク(GNN)の適用が急速に増加しているのを目撃している。 本稿では,様々な種類のJSSPに対するGNN手法と,それに密接に関連するフローショップスケジューリング問題について,徹底的に検討することを目的とする。
  論文  参考訳（メタデータ） (2024-06-20T08:22:07Z)
• Survey of Graph Neural Network for Internet of Things and NextG Networks [3.591122855617648]
  グラフニューラルネットワーク(GNN)は、洞察を効果的にモデル化し抽出するための有望なパラダイムとして登場した。 この調査は、GNNの用語、アーキテクチャ、および異なるタイプのGNNについて、詳細な説明を提供する。 次に、GNNがネットワークシステムや戦術システムにどのように活用されているかについて詳細な説明を行う。
  論文  参考訳（メタデータ） (2024-05-27T16:10:49Z)
• Unleash Graph Neural Networks from Heavy Tuning [33.948899558876604]
  グラフニューラルネットワーク(GNN)は、グラフ型データ用に設計されたディープラーニングアーキテクチャである。 本稿では,光チューニングされた粗い探索中に保存されたチェックポイントから学習することで,高性能なGNNを直接生成するグラフ条件付き潜時拡散フレームワーク(GNN-Diff)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T06:23:47Z)
• 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)
• 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)
• 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)
• 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。