論文の概要: Transferable Parasitic Estimation via Graph Contrastive Learning and Label Rebalancing in AMS Circuits
- arxiv url: http://arxiv.org/abs/2507.06535v2
- Date: Thu, 14 Aug 2025 01:46:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-15 15:52:16.964539
- Title: Transferable Parasitic Estimation via Graph Contrastive Learning and Label Rebalancing in AMS Circuits
- Title（参考訳）: AMS回路におけるグラフコントラスト学習とラベルリバランシングによる楽観的パラサイト推定
- Authors: Shan Shen, Shenglu Hua, Jiajun Zou, Jiawei Liu, Jianwang Zhai, Chuan Shi, Wenjian Yu,
- Abstract要約: 本稿では,新しいグラフコントラスト学習フレームワークCircuitGCLを提案する。
表現散乱とラベルリバランシングを統合し、異種回路グラフ間の転送性を高める。
CircuitGCLは全ての最先端(SOTA)メソッドより優れており、R2$は33.64% sim 44.20%$、F1スコアは92タイム sim 2.1times$である。
- 参考スコア（独自算出の注目度）: 30.438901630093426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph representation learning on Analog-Mixed Signal (AMS) circuits is crucial for various downstream tasks, e.g., parasitic estimation. However, the scarcity of design data, the unbalanced distribution of labels, and the inherent diversity of circuit implementations pose significant challenges to learning robust and transferable circuit representations. To address these limitations, we propose CircuitGCL, a novel graph contrastive learning framework that integrates representation scattering and label rebalancing to enhance transferability across heterogeneous circuit graphs. CircuitGCL employs a self-supervised strategy to learn topology-invariant node embeddings through hyperspherical representation scattering, eliminating dependency on large-scale data. Simultaneously, balanced mean squared error (BMSE) and balanced softmax cross-entropy (BSCE) losses are introduced to mitigate label distribution disparities between circuits, enabling robust and transferable parasitic estimation. Evaluated on parasitic capacitance estimation (edge-level task) and ground capacitance classification (node-level task) across TSMC 28nm AMS designs, CircuitGCL outperforms all state-of-the-art (SOTA) methods, with the $R^2$ improvement of $33.64\% \sim 44.20\%$ for edge regression and F1-score gain of $0.9\times \sim 2.1\times$ for node classification. Our code is available at https://github.com/ShenShan123/CircuitGCL.
- Abstract（参考訳）: Analog-Mixed Signal (AMS) 回路上のグラフ表現学習は,様々な下流タスク,例えば寄生的推定に不可欠である。
しかし、設計データの不足、ラベルの不均衡分布、回路実装固有の多様性は、堅牢で転送可能な回路表現を学ぶ上で大きな課題となる。
このような制約に対処するために,表現分散とラベルリバランシングを統合し,異種回路グラフ間の転送性を高める新しいグラフコントラスト学習フレームワークCircuitGCLを提案する。
CircuitGCLは、超球面表現散乱によりトポロジ不変ノード埋め込みを学習し、大規模データへの依存をなくす自己教師型戦略を採用している。
同時に、回路間のラベル分布の格差を軽減するために、平均二乗誤差(BMSE)とソフトマックスクロスエントロピー(BSCE)損失を導入した。
TSMC 28nm AMS設計における寄生容量推定(エッジレベルタスク)とグランドキャパシタンス分類(ノードレベルタスク)に基づいて評価され、CircuitGCLは全ての最先端(SOTA)メソッドを上回り、R^2$3.64\% \sim 44.20\%$はエッジ回帰、F1スコア利得は0.9\times \sim 2.1\times$である。
私たちのコードはhttps://github.com/ShenShan123/CircuitGCLで公開されています。
関連論文リスト
- Few-shot Learning on AMS Circuits and Its Application to Parasitic Capacitance Prediction [2.185633347742123]
グラフ表現学習は、アナログ/混合信号(AMS)回路などのグラフ構造化データから特徴を抽出する強力な手法である。
本稿では,AMS回路における寄生効果予測のための数発の学習手法であるCircuitGPSを提案する。
論文 参考訳（メタデータ） (2025-07-09T04:42:18Z) - Robust Graph-Based Semi-Supervised Learning via $p$-Conductances [49.0776396776252]
本研究では,データラベルが不足している,あるいは破損しているような状況下でのグラフに対する半教師付き学習の課題について検討する。
我々は、$p$-laplace と Poisson の学習方法を一般化した $p$-conductance learning という手法を提案する。
コンピュータビジョンと引用データセットの実証実験結果から,本手法が低ラベルレート, 劣化ラベル, 部分ラベルレジームにおける最先端の精度を実現することを示す。
論文 参考訳（メタデータ） (2025-02-13T01:11:25Z) - Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。
本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。
ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
論文 参考訳（メタデータ） (2024-12-20T04:05:09Z) - DACB-Net: Dual Attention Guided Compact Bilinear Convolution Neural Network for Skin Disease Classification [3.3891365992104605]
本稿では,DACB-Netを用いた3分岐デュアルアテンションガイド型コンパクトバイリニアCNNについて紹介する。
グローバルブランチは、失った識別的特徴を補償し、関連する収穫地に対する注意熱マップ(AHM)を生成する。
このフレームワークはデータ強化、転送学習、微調整を統合し、データの不均衡に対処し、分類性能を改善し、計算コストを削減する。
論文 参考訳（メタデータ） (2024-07-03T18:32:54Z) - End-to-End Supervised Multilabel Contrastive Learning [38.26579519598804]
マルチラベル表現学習は、オブジェクトカテゴリ間のラベル依存やデータ関連の問題に関連付けられる難しい問題として認識されている。
近年の進歩は、モデルとデータ中心の視点からこれらの課題に対処している。
KMCLと呼ばれる新しいエンドツーエンドのトレーニングフレームワークを提案し、モデルとデータ中心の設計の欠点に対処する。
論文 参考訳（メタデータ） (2023-07-08T12:46:57Z) - Implicit Bias of Gradient Descent for Logistic Regression at the Edge of
Stability [69.01076284478151]
機械学習の最適化において、勾配降下(GD)はしばしば安定性の端(EoS)で動く
本稿では,EoS系における線形分離可能なデータに対するロジスティック回帰のための定数段差GDの収束と暗黙バイアスについて検討する。
論文 参考訳（メタデータ） (2023-05-19T16:24:47Z) - Single-Pass Contrastive Learning Can Work for Both Homophilic and
Heterophilic Graph [60.28340453547902]
グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。
既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。
我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。
経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
論文 参考訳（メタデータ） (2022-11-20T07:18:56Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z) - Unbiased Risk Estimators Can Mislead: A Case Study of Learning with
Complementary Labels [92.98756432746482]
我々は,補完ラベルを用いた学習という,弱教師付き問題を研究する。
勾配推定の品質はリスク最小化においてより重要であることを示す。
本稿では,ゼロバイアスと分散の低減を両立させる新しい補助的相補的損失(SCL)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-05T04:19:37Z)
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。