論文の概要: GNNBENCH: Fair and Productive Benchmarking for Single-GPU GNN System

• arxiv url: http://arxiv.org/abs/2404.04118v1
• Date: Fri, 5 Apr 2024 14:18:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 15:45:42.577610
• Title: GNNBENCH: Fair and Productive Benchmarking for Single-GPU GNN System
• Title（参考訳）: GNNBENCH:シングルGPU GNNシステムのための公正で生産的なベンチマーク
• Authors: Yidong Gong, Pradeep Kumar,
• Abstract要約: GNNBenchは,システム革新に焦点を当てた,プラグアンドプレイ型ベンチマークプラットフォームである。 GNNBenchは、キャプチャーテンソルデータを交換するための新しいプロトコルを提示し、System APIのカスタムクラスをサポートし、多くのディープラーニングフレームワークに同じシステムモジュールを自動的に統合することを可能にする。
• 参考スコア（独自算出の注目度）: 1.9238158155094542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We hypothesize that the absence of a standardized benchmark has allowed several fundamental pitfalls in GNN System design and evaluation that the community has overlooked. In this work, we propose GNNBench, a plug-and-play benchmarking platform focused on system innovation. GNNBench presents a new protocol to exchange their captive tensor data, supports custom classes in System APIs, and allows automatic integration of the same system module to many deep learning frameworks, such as PyTorch and TensorFlow. To demonstrate the importance of such a benchmark framework, we integrated several GNN systems. Our results show that integration with GNNBench helped us identify several measurement issues that deserve attention from the community.
• Abstract（参考訳）: 標準化されたベンチマークが存在しないことで、GNNシステム設計とコミュニティが見落としている評価にいくつかの根本的な落とし穴が生じたと仮定する。 本稿では,システム革新に着目したGNNBenchを提案する。 GNNBenchは、キャプチャテンソルデータを交換する新しいプロトコルを提示し、System APIのカスタムクラスをサポートし、同じシステムモジュールをPyTorchやTensorFlowといった多くのディープラーニングフレームワークに自動統合することを可能にする。 このようなベンチマークフレームワークの重要性を示すため、複数のGNNシステムを統合した。 結果から,GNNBenchとの統合は,コミュニティから注目に値するいくつかの測定問題を特定するのに役立ちました。

関連論文リスト

• Graph Ladling: Shockingly Simple Parallel GNN Training without Intermediate Communication [100.51884192970499]
  GNNは、グラフを学習するニューラルネットワークの強力なファミリーである。 GNNのスケーリングは、肥大化または拡大によって、不健康な勾配、過度なスムースメント、情報のスカッシングといった問題に悩まされる。 本稿では,現在のGNNの深層化や拡張ではなく,GNNに適したモデルスープをデータ中心の視点で表現することを提案する。
  論文  参考訳（メタデータ） (2023-06-18T03:33:46Z)
• gSuite: A Flexible and Framework Independent Benchmark Suite for Graph Neural Network Inference on GPUs [0.0]
  フレームワークに依存しないベンチマークスイートを開発し、汎用計算モデルをサポートし、アーキテクチャシミュレータで追加の労力なしで使用することができる。 gSuiteは、現在のGPUプロファイラとアーキテクチャGPUシミュレータの両方を使用して、GNN推論に関する詳細なパフォーマンス評価研究を可能にする。 我々は、GNN計算の性能を厳格に測定するために、いくつかの評価指標を使用する。
  論文  参考訳（メタデータ） (2022-10-20T21:18:51Z)
• 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)
• PaSca: a Graph Neural Architecture Search System under the Scalable Paradigm [24.294196319217907]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフベースのタスクで最先端のパフォーマンスを実現している。 しかし、GNNはデータサイズやメッセージパッシングステップに適していない。 本稿では,スケーラブルなGNNの設計空間を体系的に構築し,探索するための原則的アプローチを提供するPasCaを提案する。
  論文  参考訳（メタデータ） (2022-03-01T17:26:50Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
  我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。 軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。 この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
  論文  参考訳（メタデータ） (2021-09-27T08:50:37Z)
• FedGraphNN: A Federated Learning System and Benchmark for Graph Neural Networks [68.64678614325193]
  グラフニューラルネットワーク(GNN)の研究は、グラフ構造データから表現を学ぶGNNの能力のおかげで急速に成長しています。 GNNトレーニングのための大量の実世界のグラフデータを集中させることは、ユーザ側のプライバシー上の懸念から禁じられている。 GNNベースのFL研究を促進するためのオープンリサーチフェデレーション学習システムとベンチマークであるFedGraphNNを紹介します。
  論文  参考訳（メタデータ） (2021-04-14T22:11:35Z)
• Benchmarking Graph Neural Networks [75.42159546060509]
  グラフニューラルネットワーク(GNN)は、グラフ上のデータから分析および学習するための標準ツールキットとなっている。 成功している分野が主流で信頼性を持つようになるためには、進捗を定量化するためにベンチマークを開発する必要がある。 GitHubリポジトリは1,800のスターと339のフォークに到達し、提案されているオープンソースフレームワークの有用性を実証している。
  論文  参考訳（メタデータ） (2020-03-02T15:58:46Z)

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。