Fugu-MT 論文翻訳(概要): An FPGA-Based Accelerator for Graph Embedding using Sequential Training Algorithm

論文の概要: An FPGA-Based Accelerator for Graph Embedding using Sequential Training Algorithm

arxiv url: http://arxiv.org/abs/2312.15138v1
Date: Sat, 23 Dec 2023 02:24:59 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 19:37:47.147944
Title: An FPGA-Based Accelerator for Graph Embedding using Sequential Training Algorithm
Title（参考訳）: 逐次学習アルゴリズムを用いたFPGAによるグラフ埋め込み高速化
Authors: Kazuki Sunaga, Keisuke Sugiura, Hiroki Matsutani
Abstract要約: オンラインシーケンシャルトレーニングアルゴリズムと node2vec を組み合わせることを提案する。提案するシーケンシャルモデルは,リソース限定FPGA上で実装される。 CPUのオリジナルのモデルと比べて最大205.25倍のスピードアップを実現している。
参考スコア（独自算出の注目度）: 0.9444784653236158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A graph embedding is an emerging approach that can represent a graph structure with a fixed-length low-dimensional vector. node2vec is a well-known algorithm to obtain such a graph embedding by sampling neighboring nodes on a given graph with a random walk technique. However, the original node2vec algorithm typically relies on a batch training of graph structures; thus, it is not suited for applications in which the graph structure changes after the deployment. In this paper, we focus on node2vec applications for IoT (Internet of Things) environments. To handle the changes of graph structures after the IoT devices have been deployed in edge environments, in this paper we propose to combine an online sequential training algorithm with node2vec. The proposed sequentially-trainable model is implemented on a resource-limited FPGA (Field-Programmable Gate Array) device to demonstrate the benefits of our approach. The proposed FPGA implementation achieves up to 205.25 times speedup compared to the original model on CPU. Evaluation results using dynamic graphs show that although the original model decreases the accuracy, the proposed sequential model can obtain better graph embedding that can increase the accuracy even when the graph structure is changed.
Abstract（参考訳）: グラフ埋め込みは、固定長低次元ベクトルを持つグラフ構造を表現するための新しいアプローチである。 node2vecは、ランダムウォーク技術を用いて、与えられたグラフ上の隣接ノードをサンプリングしてそのようなグラフ埋め込みを得るためのよく知られたアルゴリズムである。しかし、元の node2vec アルゴリズムは一般的にグラフ構造のバッチトレーニングに依存しているため、配置後にグラフ構造が変化するアプリケーションには適していない。本稿では、IoT(Internet of Things)環境のためのnode2vecアプリケーションに焦点を当てる。本稿では,IoTデバイスがエッジ環境にデプロイされた後のグラフ構造の変化に対応するために,オンラインシーケンシャルトレーニングアルゴリズムと node2vec を組み合わせることを提案する。提案手法の利点を実証するため,資源限定FPGA(Field-Programmable Gate Array)デバイス上に逐次学習可能なモデルを実装した。提案したFPGA実装は、CPUのオリジナルのモデルと比較して最大205.25倍の高速化を実現している。動的グラフを用いた評価結果から,元のモデルでは精度が低下するが,提案したシーケンシャルモデルではグラフ構造が変化しても精度を高めることができる。

関連論文リスト

Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2024-03-11T06:34:05Z)
Graph Parsing Networks [64.5041886737007]
本稿では,効率的なグラフ解析アルゴリズムを提案する。結果として得られるグラフパーシングネットワーク(GPN)は、個々のグラフに対してパーソナライズされたプーリング構造を適応的に学習する。
論文参考訳（メタデータ） (2024-02-22T09:08:36Z)
Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
NVDiff: Graph Generation through the Diffusion of Node Vectors [20.424372965054832]
我々は,VGAE構造を取り入れたNVDiffを提案し,サンプルノードベクトルに先立ってフレキシブルなスコアベース生成モデル(SGM)を用いる。 NVDiffフレームワーク上に構築され,グラフの局所的コンテキストとグローバル的コンテキストの両方をキャプチャ可能なアテンションベースのスコアネットワークを導入する。
論文参考訳（メタデータ） (2022-11-19T20:43:39Z)
Gransformer: Transformer-based Graph Generation [14.161975556325796]
Gransformerは、グラフを生成するためのTransformerに基づくアルゴリズムである。我々は、与えられたグラフの構造情報を利用するためにTransformerエンコーダを変更する。また、ノードペア間のグラフベースの親しみ度尺度も導入する。
論文参考訳（メタデータ） (2022-03-25T14:05:12Z)
SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
論文参考訳（メタデータ） (2022-02-06T15:18:37Z)
Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
グラフ生成モデルはグラフ上の分布を定義する。グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
論文参考訳（メタデータ） (2021-06-11T06:37:52Z)
Pyramidal Reservoir Graph Neural Network [18.632681846787246]
本稿では,2種類の層を置換するディープグラフニューラルネットワーク(GNN)モデルを提案する。グラフプーリングがモデルの計算複雑性をいかに低減するかを示す。 RCベースGNNの設計に対する提案手法は,精度と複雑性のトレードオフを有利かつ原則的に実現している。
論文参考訳（メタデータ） (2021-04-10T08:34:09Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。