Fugu-MT 論文翻訳(概要): VLSI Hypergraph Partitioning with Deep Learning

論文の概要: VLSI Hypergraph Partitioning with Deep Learning

arxiv url: http://arxiv.org/abs/2409.01387v1
Date: Mon, 2 Sep 2024 17:32:01 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 04:14:12.728794
Title: VLSI Hypergraph Partitioning with Deep Learning
Title（参考訳）: ディープラーニングを用いたVLSIハイパーグラフ分割
Authors: Muhammad Hadir Khan, Bugra Onal, Eren Dogan, Matthew R. Guthaus,
Abstract要約: グラフニューラルネットワーク(GNN)は、様々なノード、エッジ、グラフ予測タスクで強いパフォーマンスを示している。実世界のネットリスト特性をエミュレートする合成分割ベンチマークを新たに導入する。我々は、GNNベースのアプローチとともに既存の最先端のパーティショニングアルゴリズムを評価し、それぞれの利点とデメリットを強調した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Partitioning is a known problem in computer science and is critical in chip design workflows, as advancements in this area can significantly influence design quality and efficiency. Deep Learning (DL) techniques, particularly those involving Graph Neural Networks (GNNs), have demonstrated strong performance in various node, edge, and graph prediction tasks using both inductive and transductive learning methods. A notable area of recent interest within GNNs are pooling layers and their application to graph partitioning. While these methods have yielded promising results across social, computational, and other random graphs, their effectiveness has not yet been explored in the context of VLSI hypergraph netlists. In this study, we introduce a new set of synthetic partitioning benchmarks that emulate real-world netlist characteristics and possess a known upper bound for solution cut quality. We distinguish these benchmarks with the prior work and evaluate existing state-of-the-art partitioning algorithms alongside GNN-based approaches, highlighting their respective advantages and disadvantages.
Abstract（参考訳）: 分割はコンピュータ科学における既知の問題であり、チップ設計のワークフローにおいて重要な問題である。ディープラーニング(DL)技術、特にグラフニューラルネットワーク(GNN)に関わる技術は、インダクティブ学習とトランスダクティブ学習の両方を用いて、様々なノード、エッジ、グラフ予測タスクで強いパフォーマンスを示している。 GNNにおける最近の関心の顕著な領域は、レイヤのプーリングと、グラフパーティショニングへの応用である。これらの手法は、社会グラフ、計算グラフ、その他のランダムグラフにまたがって有望な結果をもたらすが、VLSIハイパーグラフネットリストの文脈では、その有効性はまだ検討されていない。本研究では,実世界のネットリスト特性をエミュレートし,ソリューションカット品質の既知の上限を有する,新しい合成分割ベンチマークを提案する。我々は、これらのベンチマークを以前の研究と区別し、既存の最先端分割アルゴリズムとGNNベースのアプローチを併用して評価し、それぞれの利点と欠点を強調した。

関連論文リスト

Enhancing Graph Neural Networks with Limited Labeled Data by Actively Distilling Knowledge from Large Language Models [30.867447814409623]
グラフニューラルネットワーク(GNN)は、グラフの基本課題であるノード分類において優れた能力を持つ。本稿では,Large Language Models(LLM)とGNNを統合する新しい手法を提案する。我々のモデルでは,ラベル付きデータによるノード分類精度を著しく向上し,最先端のベースラインをかなりのマージンで超えた。
論文参考訳（メタデータ） (2024-07-19T02:34:10Z)
Graph Reasoning Networks [9.18586425686959]
Graph Reasoning Networks (GRNs) は、グラフ表現と学習したグラフ表現の長所と、微分可能満足度解法に基づく推論モジュールを組み合わせるための新しいアプローチである。実世界のデータセットの結果は、GNNに匹敵するパフォーマンスを示している。合成データセットの実験は、新しく提案された手法の可能性を示している。
論文参考訳（メタデータ） (2024-07-08T10:53:49Z)
Similarity-based Neighbor Selection for Graph LLMs [43.176381523196426]
類似性に基づく近隣選択(SNS)について紹介する。 SNSは、選択した隣人の品質を改善し、グラフ表現を改善し、オーバースカッシングやヘテロフィリーといった問題を緩和する。インダクティブでトレーニングのないアプローチとして、SNSは従来のGNN手法よりも優れた一般化とスケーラビリティを示している。
論文参考訳（メタデータ） (2024-02-06T05:29:05Z)
Mitigating Semantic Confusion from Hostile Neighborhood for Graph Active Learning [38.5372139056485]
Graph Active Learning(GAL)は、グラフニューラルネットワーク(GNN)のパフォーマンスを最大化するためのアノテーションのための、グラフで最も情報に富むノードを見つけることを目的としている。 Gal戦略は、特にグラフがノイズの多い場合、選択したトレーニングセットに意味的な混乱をもたらす可能性がある。本稿では,意味的混乱を緩和するために,グラフのためのセマンティック・アウェア・アクティブ・ラーニング・フレームワークを提案する。
論文参考訳（メタデータ） (2023-08-17T07:06:54Z)
SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
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)
Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
論文参考訳（メタデータ） (2022-06-21T01:46:38Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文参考訳（メタデータ） (2020-12-20T04:20:38Z)
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。