論文の概要: Hardware Acceleration for Knowledge Graph Processing: Challenges & Recent Developments
- arxiv url: http://arxiv.org/abs/2408.12173v2
- Date: Tue, 19 Nov 2024 13:56:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-20 13:32:40.891350
- 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, Grzegorz Kwaśniewski, 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）: 21.468047744871335
- 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
- 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) - Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳（メタデータ） (2023-10-18T09:31:21Z) - Recent Advances in Graph-based Machine Learning for Applications in
Smart Urban Transportation Systems [7.335098632782098]
本章では、ITS設計における重要な技術的課題に関する背景情報と研究手法のレビューを紹介する。
グラフベースの機械学習手法について,グラフの基本概念,グラフデータ表現,グラフニューラルネットワークアーキテクチャ,およびそれらのITSアプリケーションとの関係を詳細に検討する。
論文 参考訳（メタデータ） (2023-06-02T05:50:57Z) - 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) - A Survey on Knowledge Graph-based Methods for Automated Driving [0.0]
知識グラフ(KG)は、構造化データ、動的データ、およびリレーショナルデータを活用することで恩恵を受けるアプリケーションに対して、業界と学術の両方から大きな注目を集めている。
我々は、現在研究課題を議論し、自動運転のためのKGベースのソリューションについて、将来的な研究方向性を提案する。
論文 参考訳（メタデータ） (2022-09-30T15:47:19Z) - 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。