論文の概要: Large-Scale Graph Building in Dynamic Environments: Low Latency and High Quality

• arxiv url: http://arxiv.org/abs/2507.10139v1
• Date: Mon, 14 Jul 2025 10:36:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.755194
• Title: Large-Scale Graph Building in Dynamic Environments: Low Latency and High Quality
• Title（参考訳）: 動的環境における大規模グラフ構築--低レイテンシと高品質
• Authors: Filipe Miguel Gonçalves de Almeida, CJ Carey, Hendrik Fichtenberger, Jonathan Halcrow, Silvio Lattanzi, André Linhares, Tao Meng, Ashkan Norouzi-Fard, Nikos Parotsidis, Bryan Perozzi, David Simcha,
• Abstract要約: 本稿では,Graleの品質を継承し,要求毎に数十ミリ秒のレイテンシでグラフ構築を動的に維持するシステムを提案する。 私たちのシステムは、Googleに10以上のデプロイがある幅広いアプリケーションを持っています。
• 参考スコア（独自算出の注目度）: 31.48181231123667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning and constructing large-scale graphs has attracted attention in recent decades, resulting in a rich literature that introduced various systems, tools, and algorithms. Grale is one of such tools that is designed for offline environments and is deployed in more than 50 different industrial settings at Google. Grale is widely applicable because of its ability to efficiently learn and construct a graph on datasets with multiple types of features. However, it is often the case that applications require the underlying data to evolve continuously and rapidly and the updated graph needs to be available with low latency. Such setting make the use of Grale prohibitive. While there are Approximate Nearest Neighbor (ANN) systems that handle dynamic updates with low latency, they are mostly limited to similarities over a single embedding. In this work, we introduce a system that inherits the advantages and the quality of Grale, and maintains a graph construction in a dynamic setting with tens of milliseconds of latency per request. We call the system Dynamic Grale Using ScaNN (Dynamic GUS). Our system has a wide range of applications with over 10 deployments at Google. One of the applications is in Android Security and Privacy, where Dynamic Grale Using ScaNN enables capturing harmful applications 4 times faster, before they can reach users.
• Abstract（参考訳）: 大規模グラフの学習と構築は近年注目され、様々なシステム、ツール、アルゴリズムを導入した豊富な文献が生まれている。 Graleはオフライン環境向けに設計されたツールのひとつで、Googleで50以上の異なる産業環境にデプロイされている。 Graleは、複数のタイプの機能を持つデータセット上でグラフを効率的に学習し、構築する能力があるため、広く適用できます。 しかし、アプリケーションが基盤となるデータを継続的に高速に進化させる必要があり、更新されたグラフは低レイテンシで利用できなければならない場合が多い。 このような設定はグレールの使用を禁止します。 Approximate Nearest Neighbor(ANN)システムは、低レイテンシで動的更新を処理するが、それらは主に単一の埋め込みに対する類似性に制限されている。 本研究では,Graleの利点と品質を継承するシステムを導入し,要求毎に数ミリ秒のレイテンシでグラフ構造を動的に維持する。 システムの名前はDynamic Grale Using ScaNN (Dynamic GUS)である。 私たちのシステムは、Googleに10以上のデプロイがある幅広いアプリケーションを持っています。 アプリケーションのひとつがAndroid Security and Privacyで,ScaNNを使用したDynamic Graleを使えば,ユーザに到達する前に,有害なアプリケーションを4倍高速にキャプチャすることができる。

関連論文リスト

• G-OSR: A Comprehensive Benchmark for Graph Open-Set Recognition [54.45837774534411]
  ノードレベルとグラフレベルの両方でグラフオープンセット認識(GOSR)手法を評価するベンチマークである textbfG-OSR を導入する。 結果は、現在のGOSR手法の一般化可能性と限界に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-03-01T13:02:47Z)
• GiGL: Large-Scale Graph Neural Networks at Snapchat [32.1186726452899]
  大規模分散グラフMLを実現するオープンソースライブラリであるGiGL(Gigantic Graph Learning)を提案する。 私たちはSnapchat社内でGiGLを使用して、グラフデータ前処理を含むGNNの重い処理を管理しています。 GiGLは複数のプロダクション環境で使用されており、過去2年間に複数のビジネスドメインで35回以上のローンチを実行している。
  論文  参考訳（メタデータ） (2025-02-20T21:29:17Z)
• A Real-Time Adaptive Multi-Stream GPU System for Online Approximate Nearest Neighborhood Search [3.116913746878115]
  RTAMS-GANNS(Real-Time Adaptive Multi-Stream GPU ANNS System)を提案する。 私たちのアーキテクチャはその目的を3つの重要な進歩を通して達成します。 提案システムは実世界の産業検索やレコメンデーションシステムにも展開されており、毎日数億人のユーザーにサービスを提供している。
  論文  参考訳（メタデータ） (2024-08-06T03:44:06Z)
• 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 Long Range Dependencies on Graphs via Random Walks [6.7864586321550595]
  メッセージパッシンググラフニューラルネットワーク(GNN)は、局所的な関係を捉えるのに優れているが、グラフの長距離依存に苦慮している。 グラフ変換器(GT)はグローバルな情報交換を可能にするが、グラフを固定長ベクトルの集合として表現することでグラフ構造を単純化することが多い。 この研究は、ランダムウォークの長距離情報とローカルメッセージパッシングを組み合わせることによって、両方のアプローチの欠点を克服する新しいアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2024-06-05T15:36:57Z)
• 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)
• GraTO: Graph Neural Network Framework Tackling Over-smoothing with Neural Architecture Search [23.576865714896826]
  現在のグラフニューラルネットワーク(GNN)は、過度にスムースな問題に悩まされている。 GraTOは、GNNアーキテクチャを自動的に検索するニューラルネットワーク検索に基づくフレームワークである。
  論文  参考訳（メタデータ） (2022-08-18T18:59:25Z)
• ROLAND: Graph Learning Framework for Dynamic Graphs [75.96510058864463]
  グラフニューラルネットワーク(GNN)は多くの実世界の静的グラフに適用されている。 既存の動的GNNには静的GNNの最先端設計が組み込まれていない。 実世界の動的グラフのための効果的なグラフ表現学習フレームワーク ROLAND を提案する。
  論文  参考訳（メタデータ） (2022-08-15T14:51:47Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)

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。