論文の概要: Edge-Parallel Graph Encoder Embedding

• arxiv url: http://arxiv.org/abs/2402.04403v1
• Date: Tue, 6 Feb 2024 21:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 17:56:17.552928
• Title: Edge-Parallel Graph Encoder Embedding
• Title（参考訳）: エッジ並列グラフエンコーダ埋め込み
• Authors: Ariel Lubonja (1), Cencheng Shen (2), Carey Priebe (1) and Randal Burns (1) ((1) Johns Hopkins University, (2) University of Delaware)
• Abstract要約: One-Hot Graph Embedding (GEE) は1つの線形パスオーバーエッジを使用し、スペクトル埋め込みに収束する埋め込みを生成する。 本稿では,グラフのエッジ上で関数をマッピングし,ロックフリーなアトミックインストラクションを用いてデータ競合を防止するLigraグラフエンジンの並列プログラムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: New algorithms for embedding graphs have reduced the asymptotic complexity of finding low-dimensional representations. One-Hot Graph Encoder Embedding (GEE) uses a single, linear pass over edges and produces an embedding that converges asymptotically to the spectral embedding. The scaling and performance benefits of this approach have been limited by a serial implementation in an interpreted language. We refactor GEE into a parallel program in the Ligra graph engine that maps functions over the edges of the graph and uses lock-free atomic instrutions to prevent data races. On a graph with 1.8B edges, this results in a 500 times speedup over the original implementation and a 17 times speedup over a just-in-time compiled version.
• Abstract（参考訳）: グラフを埋め込む新しいアルゴリズムは、低次元表現を見つけるための漸近的複雑さを減少させた。 One-Hot Graph Encoder Embedding (GEE) は1つの線形パスオーバーエッジを使用し、スペクトル埋め込みに漸近的に収束する埋め込みを生成する。 このアプローチのスケーリングとパフォーマンスの利点は、インタプリタ言語によるシリアル実装によって制限されている。 我々はGEEをLigraグラフエンジンの並列プログラムにリファクタリングし、グラフのエッジ上の関数をマッピングし、ロックフリーなアトミックインストラクションを使ってデータ競合を防ぐ。 1.8Bエッジのグラフでは、オリジナルの実装よりも500倍のスピードアップ、ジャストインタイムのコンパイルバージョンより17倍のスピードアップを実現している。

関連論文リスト

• Efficient Graph Encoder Embedding for Large Sparse Graphs in Python [3.5374094795720854]
  グラフ埋め込み(GEE)は最も高速なグラフ埋め込み技術として示されており、様々なネットワークデータアプリケーションに適している。 GEEの改良版であるスパースGEEを提案し、スパース行列におけるゼロエントリの計算と保存を最適化し、ランニング時間をさらに向上する。 実験により, スパース版は, 大規模なスパースグラフをPythonで実装したオリジナルのGEEと比較して, 大幅な高速化を実現しており, スパースGEEは標準ラップトップで数分で数百万のエッジを処理することができることがわかった。
  論文  参考訳（メタデータ） (2024-06-06T03:49:34Z)
• Learning on Large Graphs using Intersecting Communities [13.053266613831447]
  MPNNは、各ノードの隣人からのメッセージを集約することで、入力グラフ内の各ノードの表現を反復的に更新する。 MPNNは、あまりスパースではないため、すぐに大きなグラフの禁止になるかもしれない。 本稿では,入力グラフを交差するコミュニティグラフ (ICG) として近似することを提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:26:26Z)
• Two Heads Are Better Than One: Boosting Graph Sparse Training via Semantic and Topological Awareness [80.87683145376305]
  グラフニューラルネットワーク(GNN)は、様々なグラフ学習タスクに優れるが、大規模グラフに適用した場合、計算上の課題に直面している。 データレベルで空間を動的に操作するグラフスパーストレーニング(GST)を提案する。 GSTは、最大位相整合性と性能劣化のないスパースグラフを生成する。
  論文  参考訳（メタデータ） (2024-02-02T09:10:35Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Efficiently Visualizing Large Graphs [18.764862799181053]
  本稿では t-Distributed Graph Neighbor Embedding (t-SGNE) と呼ばれるグラフ可視化のための新しい次元削減手法を提案する。 t-SGNEはグラフ内のクラスタ構造を可視化するように設計されている。 t-SGNEに適合するため、グラフ内の最短経路アルゴリズムとラプラシア固有写像を組み合わせてグラフ埋め込みアルゴリズムShortestPath Laplacian Eigenmaps Embedding (SPLEE)を構築した。
  論文  参考訳（メタデータ） (2023-10-17T12:07:14Z)
• Random Edge Coding: One-Shot Bits-Back Coding of Large Labeled Graphs [24.761152163389735]
  ランダムエッジ符号化(Random Edge Coding)と呼ばれる大きなラベル付きグラフを圧縮するためのワンショット方式を提案する。 実験によると、ランダムエッジ符号化は実世界のネットワークデータセット上での競合圧縮性能を実現することができる。
  論文  参考訳（メタデータ） (2023-05-16T12:23:18Z)
• Boosting Graph Embedding on a Single GPU [3.093890460224435]
  大規模グラフを最小限のハードウェア制約で埋め込むためのGPUベースのツールであるGOSHを提案する。 更新の影響を高め、埋め込み作業を最小限にするため、新しいグラフ粗化アルゴリズムを採用している。 また、任意の任意の大きなグラフを単一のGPUで埋め込むことができる分解スキーマも組み込まれている。
  論文  参考訳（メタデータ） (2021-10-19T15:25:04Z)
• GNNAutoScale: Scalable and Expressive Graph Neural Networks via Historical Embeddings [51.82434518719011]
  GNNAutoScale(GAS)は、任意のメッセージパスGNNを大規模グラフにスケールするためのフレームワークである。 ガスは、前回のトレーニングの繰り返しから過去の埋め込みを利用して計算グラフのサブツリー全体を掘り起こします。 ガスは大規模グラフ上で最先端のパフォーマンスに達する。
  論文  参考訳（メタデータ） (2021-06-10T09:26:56Z)
• Sketch-Based Anomaly Detection in Streaming Graphs [89.52200264469364]
  動的グラフからのグラフエッジのストリームを前提に、オンライン形式でエッジやサブグラフに異常スコアを割り当てるにはどうすればよいのか? 本手法は,高密度部分グラフ探索を取り入れた最初のストリーミング手法であり,一定時間におけるグラフ異常を検出する。
  論文  参考訳（メタデータ） (2021-06-08T16:10:36Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)

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。