論文の概要: GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network

• arxiv url: http://arxiv.org/abs/2504.15905v1
• Date: Tue, 22 Apr 2025 13:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 18:12:32.245121
• Title: GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network
• Title（参考訳）: GraphEdge: エッジネットワークにおけるGNNコンピューティングのための動的グラフ分割とタスクスケジューリング
• Authors: Wenjing Xiao, Chenglong Shi, Miaojiang Chen, Zhiquan Liu, Min Chen, H. Herbert Song,
• Abstract要約: 効率的なGNNベースのエッジコンピューティングアーキテクチャであるGraphEdgeを提案する。 GNNタスクのECシステムは、ユーザ間の関連性があり、近隣のタスクデータを考慮する必要がある。 最適化されたグラフレイアウトに基づいて,提案した深部強化学習(DRL)に基づくグラフオフロードアルゴリズム(DRLGO)を実行する。
• 参考スコア（独自算出の注目度）: 5.027047552301203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the exponential growth of Internet of Things (IoT) devices, edge computing (EC) is gradually playing an important role in providing cost-effective services. However, existing approaches struggle to perform well in graph-structured scenarios where user data is correlated, such as traffic flow prediction and social relationship recommender systems. In particular, graph neural network (GNN)-based approaches lead to expensive server communication cost. To address this problem, we propose GraphEdge, an efficient GNN-based EC architecture. It considers the EC system of GNN tasks, where there are associations between users and it needs to take into account the task data of its neighbors when processing the tasks of a user. Specifically, the architecture first perceives the user topology and represents their data associations as a graph layout at each time step. Then the graph layout is optimized by calling our proposed hierarchical traversal graph cut algorithm (HiCut), which cuts the graph layout into multiple weakly associated subgraphs based on the aggregation characteristics of GNN, and the communication cost between different subgraphs during GNN inference is minimized. Finally, based on the optimized graph layout, our proposed deep reinforcement learning (DRL) based graph offloading algorithm (DRLGO) is executed to obtain the optimal offloading strategy for the tasks of users, the offloading strategy is subgraph-based, it tries to offload user tasks in a subgraph to the same edge server as possible while minimizing the task processing time and energy consumption of the EC system. Experimental results show the good effectiveness and dynamic adaptation of our proposed architecture and it also performs well even in dynamic scenarios.
• Abstract（参考訳）: IoT(Internet of Things)デバイスの指数的な成長に伴い、エッジコンピューティング(EC)は、コスト効率の高いサービスの提供において、徐々に重要な役割を担っている。 しかし、既存のアプローチは、トラフィックフロー予測やソーシャルリレーションレコメンデータシステムなど、ユーザデータが相関するグラフ構造化シナリオではうまく機能しない。 特に、グラフニューラルネットワーク(GNN)ベースのアプローチは、高価なサーバ通信コストにつながる。 この問題に対処するために,効率的なGNNベースのECアーキテクチャであるGraphEdgeを提案する。 GNNタスクのECシステムは、ユーザ間に関連性があり、ユーザのタスクを処理する際に隣人のタスクデータを考慮する必要がある。 具体的には、まずユーザトポロジを認識し、各ステップでデータ関連をグラフレイアウトとして表現する。 そして、グラフレイアウトをGNNの集約特性に基づいて、グラフレイアウトを複数の弱関連部分グラフに分割する階層的グラフカットアルゴリズム(HiCut)を呼ぶことにより、グラフレイアウトを最適化し、GNN推論中の異なるサブグラフ間の通信コストを最小化する。 最後に、最適化されたグラフレイアウトに基づいて、提案した深部強化学習(DRL)に基づくグラフオフロードアルゴリズム(DRLGO)を実行し、ユーザのタスクの最適なオフロード戦略を得るとともに、オフロード戦略をサブグラフベースとし、ECシステムのタスク処理時間とエネルギー消費を最小化しつつ、サブグラフ内のユーザタスクを同一エッジサーバにオフロードしようとする。 実験の結果,提案したアーキテクチャの有効性と動的適応性を示し,動的シナリオにおいても良好に機能することがわかった。

関連論文リスト

• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• MassiveGNN: Efficient Training via Prefetching for Massively Connected Distributed Graphs [11.026326555186333]
  本稿では,現在最先端のAmazon DistDGL分散GNNフレームワーク上に,パラメータ化された連続プリフェッチと消去方式を提案する。 NERSC(National Energy Research Scientific Computing Center)のPerlmutterスーパーコンピュータでは、エンドツーエンドのトレーニング性能が15～40%向上している。
  論文  参考訳（メタデータ） (2024-10-30T05:10:38Z)
• Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach [12.451324619122405]
  本稿では,コミュニケーションのオーバーヘッドを低減しつつ,鍵情報を保持するタスク中心のより小さなサブグラフを抽出する手法を提案する。 提案手法では,グラフニューラルネットワーク(GNN)とグラフ情報ボトルネック(GIB)の原理を用いて,伝達に適したコンパクトで情報的,堅牢なグラフ表現を生成する。
  論文  参考訳（メタデータ） (2024-09-04T14:01:56Z)
• Edge Ranking of Graphs in Transportation Networks using a Graph Neural Network (GNN) [0.0]
  エッジ間の中央性 (EBC) は、接続性と情報拡散に基づいて、グラフの影響力のあるエッジを決定する尺度である。 深層学習に基づくアプローチであるグラフニューラルネットワーク(GNN)を用いて,EBCを近似的に推定する手法を提案する。 提案手法は,複数の合成グラフと実世界の輸送データセットを用いて,GNNに基づくエッジランキングの評価を行う。
  論文  参考訳（メタデータ） (2023-03-25T20:45:30Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• LSP : Acceleration and Regularization of Graph Neural Networks via Locality Sensitive Pruning of Graphs [2.4250821950628234]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクのための非常に成功したツールとして登場した。 大きなグラフは、性能を損なうことなく取り除くことができる多くの冗長なコンポーネントを含むことが多い。 そこで我々はLocality-Sensitive Hashingに基づくグラフプルーニングのためのLocality-Sensitive Pruning(LSP)という体系的手法を提案する。
  論文  参考訳（メタデータ） (2021-11-10T14:12:28Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。