論文の概要: Hardware Acceleration for Knowledge Graph Processing: Challenges & Recent Developments
- arxiv url: http://arxiv.org/abs/2408.12173v1
- Date: Thu, 22 Aug 2024 07:41:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 17:22:27.980846
- Title: Hardware Acceleration for Knowledge Graph Processing: Challenges & Recent Developments
- Title(参考訳): 知識グラフ処理のためのハードウェアアクセラレーション : 課題と最近の展開
- Authors: Maciej Besta, Robert Gerstenberger, Patrick Iff, Pournima Sonawane, Juan Gómez Luna, Raghavendra Kanakagiri, Rui Min, Onur Mutlu, Torsten Hoefler, Raja Appuswamy, Aidan O Mahony,
- Abstract要約: 本研究の目的は,知識グラフハードウェアアクセラレーションに関する体系的な文献レビューを提供することである。
本稿では,知識グラフの機能向上のために,異なるハードウェアユニットを利用する知識グラフ技術の主要な分野を分類する。
次に、KG関連のスキームが現代のハードウェアアクセラレータをどのように活用するかに焦点を当てて、それぞれの研究を広範囲に記述する。
- 参考スコア(独自算出の注目度): 22.044859273425814
- License:
- Abstract: Knowledge graphs (KGs) have achieved significant attention in recent years, particularly in the area of the Semantic Web as well as gaining popularity in other application domains such as data mining and search engines. Simultaneously, there has been enormous progress in the development of different types of heterogeneous hardware, impacting the way KGs are processed. The aim of this paper is to provide a systematic literature review of knowledge graph hardware acceleration. For this, we present a classification of the primary areas in knowledge graph technology that harnesses different hardware units for accelerating certain knowledge graph functionalities. We then extensively describe respective works, focusing on how KG related schemes harness modern hardware accelerators. Based on our review, we identify various research gaps and future exploratory directions that are anticipated to be of significant value both for academics and industry practitioners.
- Abstract(参考訳): 知識グラフ(KG)は近年,特にセマンティックWebの領域で注目され,データマイニングや検索エンジンなど他のアプリケーション領域でも人気を博している。
同時に、異なる種類の異種ハードウェアの開発が大幅に進展し、KGの処理方法に影響を与えた。
本研究の目的は,知識グラフハードウェアアクセラレーションに関する体系的な文献レビューを提供することである。
そこで本研究では,知識グラフの機能向上のために,異なるハードウェアユニットを利用する知識グラフ技術の主要な分野を分類する。
次に、KG関連のスキームが現代のハードウェアアクセラレータをどのように活用するかに焦点を当て、それぞれの研究を広範囲に記述する。
本総説では,学者と産業従事者の両方にとって重要な意味を持つと思われる,さまざまな研究ギャップと今後の探索方向を同定する。
関連論文リスト
- Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。
グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。
従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
論文 参考訳(メタデータ) (2024-12-31T06:59:35Z) - Exploring Graph Mamba: A Comprehensive Survey on State-Space Models for Graph Learning [1.5778541636044452]
この調査は、Graph Mambaに関する最初の総合的研究である。
オリジナルのGraph Mambaアーキテクチャの詳細な説明を提供し、主要なコンポーネントと基盤となるメカニズムを強調している。
グラフマンバとその変種の比較分析を行い、その特徴と潜在的なユースケースについて光を当てる。
Graph Mambaが将来適用可能な潜在的な領域を特定し、これらの分野におけるデータ分析に革命をもたらす可能性を強調します。
論文 参考訳(メタデータ) (2024-12-24T10:17:14Z) - Visualization of Knowledge Graphs with Embeddings: an Essay on Recent Trends and Methods [0.0]
本稿では,知識グラフの可視化技術とフレームワークの現状について概説する。
知識グラフを視覚化する際の課題には、直感的でモジュール化されたインターフェースの必要性、ビッグデータ処理のパフォーマンス、クエリ言語を理解し使用することの難しさなどがある。
知識グラフ埋め込みの文脈では、埋め込みを用いて知識グラフの探索を容易にするアプローチと、埋め込み自体の説明を目的としたアプローチを分ける。
論文 参考訳(メタデータ) (2024-11-21T16:32:27Z) - Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。
GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。
研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
論文 参考訳(メタデータ) (2024-02-01T02:44:32Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - Hardware-agnostic Computation for Large-scale Knowledge Graph Embeddings [1.1650381752104297]
ハードウェアに依存しない大規模知識グラフの埋め込みを計算するためのフレームワークを開発する。
当社のフレームワークのオープンソースバージョンと,11.4B以上のパラメータを持つ事前トレーニング済みモデルのハブを提供しています。
論文 参考訳(メタデータ) (2022-07-18T12:10:27Z) - Graph Learning based Recommender Systems: A Review [111.43249652335555]
グラフ学習ベースのレコメンダーシステム(GLRS)は、高度なグラフ学習アプローチを使用して、ユーザーの好みと意図、および推奨項目の特性をモデル化します。
本稿では,グラフに基づく表現から重要な知識を抽出し,レコメンデーションの正確性,信頼性,説明性を向上する方法について論じることにより,GLRSの体系的なレビューを行う。
論文 参考訳(メタデータ) (2021-05-13T14:50:45Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳(メタデータ) (2020-07-31T13:21:33Z) - Knowledge Distillation: A Survey [87.51063304509067]
ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。
リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。
知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
論文 参考訳(メタデータ) (2020-06-09T21:47:17Z) - Knowledge Graph semantic enhancement of input data for improving AI [0.0]
機械学習アルゴリズムを用いて設計されたインテリジェントシステムは、大量のラベル付きデータを必要とする。
背景知識は、限定ラベル付きデータを拡張して機械学習アルゴリズムを訓練する、補完的で現実的な事実情報を提供する。
知識グラフ(KG)は、多くの実践的な応用において、グラフの形でこれらの背景知識を整理するのに便利で有用である。
論文 参考訳(メタデータ) (2020-05-10T17:37:38Z)
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。