論文の概要: Serving Graph Neural Networks With Distributed Fog Servers For Smart IoT Services

• arxiv url: http://arxiv.org/abs/2307.01684v1
• Date: Tue, 4 Jul 2023 12:30:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 17:09:52.479003
• Title: Serving Graph Neural Networks With Distributed Fog Servers For Smart IoT Services
• Title（参考訳）: スマートIoTサービスのための分散フォッグサーバによるグラフニューラルネットワークの実現
• Authors: Liekang Zeng, Xu Chen, Peng Huang, Ke Luo, Xiaoxi Zhang, Zhi Zhou
• Abstract要約: グラフニューラルネットワーク(GNN)は,グラフ構造上の潜在表現を抽出する能力に優れていたため,様々なアプリケーションへの関心が高まっている。 Fographは、IoTデータソースに近い複数のフォグノードの多様な動的リソースを活用する、分散リアルタイムGNN推論フレームワークである。 プロトタイプに基づく評価とケーススタディにより、Fographは最先端のクラウドサービスと霧の配置を最大5.39倍の高速化と6.84倍のスループット向上で大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 23.408109000977987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have gained growing interest in miscellaneous applications owing to their outstanding ability in extracting latent representation on graph structures. To render GNN-based service for IoT-driven smart applications, traditional model serving paradigms usually resort to the cloud by fully uploading geo-distributed input data to remote datacenters. However, our empirical measurements reveal the significant communication overhead of such cloud-based serving and highlight the profound potential in applying the emerging fog computing. To maximize the architectural benefits brought by fog computing, in this paper, we present Fograph, a novel distributed real-time GNN inference framework that leverages diverse and dynamic resources of multiple fog nodes in proximity to IoT data sources. By introducing heterogeneity-aware execution planning and GNN-specific compression techniques, Fograph tailors its design to well accommodate the unique characteristics of GNN serving in fog environments. Prototype-based evaluation and case study demonstrate that Fograph significantly outperforms the state-of-the-art cloud serving and fog deployment by up to 5.39x execution speedup and 6.84x throughput improvement.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ構造上の潜在表現を抽出する能力に優れていたため,様々なアプリケーションへの関心が高まっている。 iot駆動スマートアプリケーションのためのgnnベースのサービスをレンダリングするために、従来のモデル提供パラダイムは通常、地理的に分散した入力データをリモートデータセンタにフルにアップロードすることでクラウドに頼る。 しかし、当社の実験的な測定によって、このようなクラウドベースのサービスにおける通信のオーバーヘッドが明らかになり、フォグコンピューティングの導入における大きな可能性を浮き彫りにしています。 本稿では、フォグコンピューティングによってもたらされるアーキテクチャ上の利点を最大化するために、iotデータソースに近い複数のフォグノードの多様な動的リソースを活用する、新しい分散リアルタイムgnn推論フレームワークfographを提案する。 不均一な実行計画とGNN固有の圧縮技術を導入することで、フォグ環境でのGNNのユニークな特性をうまく適合させるようにFographは設計を調整した。 プロトタイプに基づく評価とケーススタディにより、Fographは最先端のクラウドサービスと霧の配置を最大5.39倍の高速化と6.84倍のスループット向上で大幅に上回っている。

関連論文リスト

• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• Privacy-preserving design of graph neural networks with applications to vertical federated learning [56.74455367682945]
  VESPERと呼ばれるエンドツーエンドのグラフ表現学習フレームワークを提案する。 VESPERは、適切なプライバシー予算の下でスパースグラフと密度グラフの両方で高性能なGNNモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-10-31T15:34:59Z)
• Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
  本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。 本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。 予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-26T04:47:28Z)
• Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices [19.27111697495379]
  グラフニューラルネットワーク(GNN)は、現実世界のネットワークアプリケーションやシステムに広くデプロイされている。 本稿では,教師付き学習と教師なし学習をサポートするLumosという,初の連合型GNNフレームワークを提案する。 クライアント毎に構築したツリーに基づいて,多目的学習を支援するために,分散型ツリーベースGNNトレーナーを提案する。
  論文  参考訳（メタデータ） (2023-03-01T13:27:06Z)
• 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)
• Spiking Graph Convolutional Networks [19.36064180392385]
  SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。 ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-05T16:44:36Z)
• Privacy-Preserving Graph Neural Network Training and Inference as a Cloud Service [15.939214141337803]
  SecGNNは、軽量暗号と機械学習技術に関する洞察の相乗効果から構築されている。 SecGNNは、ほぼ手頃な性能で、同等のトレーニングと推論の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-02-16T02:57:10Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Multi-hop Attention Graph Neural Network [70.21119504298078]
  マルチホップアテンショングラフニューラルネットワーク(MAGNA)は、マルチホップコンテキスト情報を注目計算のすべての層に組み込む方法である。 MAGNAは各層における大規模構造情報を捕捉し,低域効果によりグラフデータからノイズの多い高周波情報を除去することを示す。
  論文  参考訳（メタデータ） (2020-09-29T22:41:19Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。