Fugu-MT 論文翻訳(概要): GraphNeuralNetworks.jl: Deep Learning on Graphs with Julia

論文の概要: GraphNeuralNetworks.jl: Deep Learning on Graphs with Julia

arxiv url: http://arxiv.org/abs/2412.06354v1
Date: Mon, 09 Dec 2024 10:14:01 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-10 23:11:44.309451
Title: GraphNeuralNetworks.jl: Deep Learning on Graphs with Julia
Title（参考訳）: GraphNeuralNetworks.jl: Juliaによるグラフのディープラーニング
Authors: Carlo Lucibello, Aurora Rossi,
Abstract要約: GraphNeuralNetworks.jlは、Juliaプログラミング言語で記述されたグラフのディープラーニングのためのオープンソースのフレームワークである。複数のGPUバックエンド、汎用スパースまたは高密度グラフ表現をサポートし、標準、異種、時間グラフを操作するための便利なインターフェースを提供する。
参考スコア（独自算出の注目度）: 1.6925194411091724
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: GraphNeuralNetworks.jl is an open-source framework for deep learning on graphs, written in the Julia programming language. It supports multiple GPU backends, generic sparse or dense graph representations, and offers convenient interfaces for manipulating standard, heterogeneous, and temporal graphs with attributes at the node, edge, and graph levels. The framework allows users to define custom graph convolutional layers using gather/scatter message-passing primitives or optimized fused operations. It also includes several popular layers, enabling efficient experimentation with complex deep architectures. The package is available on GitHub: \url{https://github.com/JuliaGraphs/GraphNeuralNetworks.jl}.
Abstract（参考訳）: GraphNeuralNetworks.jlは、Juliaプログラミング言語で書かれたグラフのディープラーニングのためのオープンソースのフレームワークである。複数のGPUバックエンド、ジェネリックスパースまたは高密度グラフ表現をサポートし、ノード、エッジ、グラフレベルに属性を持つ標準、異種、および時間グラフを操作するための便利なインターフェースを提供する。このフレームワークでは、収集/散乱メッセージパスプリミティブや最適化された融合操作を使用して、カスタムグラフ畳み込みレイヤを定義することができる。また、いくつかの一般的なレイヤが含まれており、複雑なディープアーキテクチャによる効率的な実験を可能にしている。パッケージはGitHubで入手できる。 \url{https://github.com/JuliaGraphs/GraphNeuralNetworks.jl}。

関連論文リスト

Can LLMs Convert Graphs to Text-Attributed Graphs? [35.53046810556242]
既存のグラフをテキスト対応グラフに変換するために,Topology-Aware Node description Synthesis (TANS)を提案する。我々はTANSをテキストリッチ,テキスト制限,テキストフリーのグラフで評価し,その適用性を示した。
論文参考訳（メタデータ） (2024-12-13T13:32:59Z)
GraphSnapShot: Graph Machine Learning Acceleration with Fast Storage and Retrieval [19.225957670728622]
GraphSnapShotは、グラフ学習のための高速キャッシュ、ストレージ、検索、計算のためのフレームワークである。実験では、GraphSnapShotは効率性を示し、最大30%のトレーニングアクセラレーションと73%のメモリ削減を達成することができる。
論文参考訳（メタデータ） (2024-06-25T20:00:32Z)
GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。 GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。 GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
論文参考訳（メタデータ） (2024-06-10T04:56:16Z)
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)
OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文参考訳（メタデータ） (2024-03-02T08:05:03Z)
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文参考訳（メタデータ） (2024-02-12T13:13:04Z)
MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文参考訳（メタデータ） (2024-01-10T07:58:44Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。 tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文参考訳（メタデータ） (2021-01-27T17:16:36Z)
GripNet: Graph Information Propagation on Supergraph for Heterogeneous Graphs [6.672528545175732]
本稿では,フレキシブルで効率的なグラフ情報伝達ネットワーク(GripNet)を提案する。具体的には、スーパー頂点とスーパーエッジからなる新しいスーパーグラフデータ構造を導入する。我々は複数の大規模グラフを構築し、GripNetを競合する手法に対して評価し、リンク予測、ノード分類、データ統合においてその優位性を示す。
論文参考訳（メタデータ） (2020-10-29T19:58:43Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。