論文の概要: gpuRDF2vec -- Scalable GPU-based RDF2vec
- arxiv url: http://arxiv.org/abs/2508.01073v1
- Date: Fri, 01 Aug 2025 21:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.700976
- Title: gpuRDF2vec -- Scalable GPU-based RDF2vec
- Title（参考訳）: gpuRDF2vec -- スケーラブルGPUベースのRDF2vec
- Authors: Martin Böckling, Heiko Paulheim,
- Abstract要約: RDF2vecは最新のGPUを活用するライブラリで、マルチノード実行をサポートし、RDF2vecパイプラインのすべてのステージを高速化する。
RDF2vecは現在最速の代替品であるjRDF2vecよりも大幅に高速化されている。
RDF2vecの実装により,実践者や研究者は,実践的な時間予算内で大規模グラフ上に高品質なKG埋め込みを訓練することができる。
- 参考スコア（独自算出の注目度）: 1.8722948221596285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating Knowledge Graph (KG) embeddings at web scale remains challenging. Among existing techniques, RDF2vec combines effectiveness with strong scalability. We present gpuRDF2vec, an open source library that harnesses modern GPUs and supports multi-node execution to accelerate every stage of the RDF2vec pipeline. Extensive experiments on both synthetically generated graphs and real-world benchmarks show that gpuRDF2vec achieves up to a substantial speedup over the currently fastest alternative, i.e., jRDF2vec. In a single-node setup, our walk-extraction phase alone outperforms pyRDF2vec, SparkKGML, and jRDF2vec by a substantial margin using random walks on large/ dense graphs, and scales very well to longer walks, which typically lead to better quality embeddings. Our implementation of gpuRDF2vec enables practitioners and researchers to train high-quality KG embeddings on large-scale graphs within practical time budgets and builds on top of Pytorch Lightning for the scalable word2vec implementation.
- Abstract（参考訳）: Webスケールでの知識グラフ(KG)の埋め込みの生成は依然として困難である。
既存の技術の中で、RDF2vecは高いスケーラビリティと有効性を組み合わせている。
我々は,最新のGPUを活用するオープンソースライブラリgpuRDF2vecを紹介し,RDF2vecパイプラインのすべてのステージを高速化するマルチノード実行をサポートする。
gpuRDF2vecは、合成グラフと実世界のベンチマークの両方において、現在最速の代替品であるjRDF2vecよりも大幅に高速化されている。
単一ノードのセットアップでは、ウォーク抽出フェーズだけでpyRDF2vec、SparkKGML、jRDF2vecは、大きなグラフと高密度グラフのランダムウォークによって大幅に差があり、長いウォークに非常によくスケールし、通常、より良い品質の埋め込みをもたらす。
gpuRDF2vecの実装により、実践者や研究者は、実用的な時間予算で大規模なグラフ上に高品質なKG埋め込みをトレーニングし、スケーラブルな word2vec実装のためにPytorch Lightning上に構築することができる。
関連論文リスト
- FastGL: A GPU-Efficient Framework for Accelerating Sampling-Based GNN Training at Large Scale [29.272368697268433]
グラフニューラルネットワーク(GNN)は、非ユークリッドグラフデータに対して大きな優位性を示している。
我々は,大規模なGNNのサンプリングベーストレーニングを高速化するGPU効率のフレームワークであるFastGLを提案する。
FastGLは、最先端フレームワークであるPyG、DGL、GNNLabに対して平均11.8x、2.2x、1.5xのスピードアップを達成することができる。
論文 参考訳（メタデータ） (2024-09-23T11:45:47Z) - WiLoR: End-to-end 3D Hand Localization and Reconstruction in-the-wild [53.288327629960364]
野生における効率的なマルチハンド再構築のためのデータ駆動パイプラインを提案する。
提案するパイプラインは、リアルタイム完全畳み込みハンドローカライゼーションと、高忠実度トランスフォーマーに基づく3Dハンド再構成モデルという2つのコンポーネントで構成されている。
提案手法は, 一般的な2次元および3次元のベンチマークにおいて, 効率と精度の両方において, 従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-09-18T18:46:51Z) - fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [50.417261057533786]
fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。
私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
論文 参考訳（メタデータ） (2024-07-01T20:20:33Z) - Iterative Filter Pruning for Concatenation-based CNN Architectures [9.651318927588934]
現代の物体検出器は、連結を伴う高度に相互接続された畳み込み層を有する。
本稿では,畳み込み層間の接続グラフに基づいて,連結層を扱う手法を提案する。
FPGAとNVIDIA Jetson Xavier AGXにプルーンドモデルをデプロイする。
論文 参考訳（メタデータ） (2024-05-04T19:40:42Z) - TorchSparse++: Efficient Training and Inference Framework for Sparse
Convolution on GPUs [20.4238781638402]
スパース畳み込みは、AR/VRにおけるポイントクラウド処理、自動運転、レコメンデーションシステムにおけるグラフ理解など、新興ワークロードにおいて重要な役割を果たす。
既存のGPUライブラリはスパース畳み込みのための2つのデータフロー型を提供する。
TorchSparse++は、両方の世界のベストを達成するための新しいGPUライブラリです。
論文 参考訳（メタデータ） (2023-10-25T21:02:38Z) - TAPIR: Tracking Any Point with per-frame Initialization and temporal
Refinement [64.11385310305612]
本稿では,ビデオシーケンスを通して任意の物理面上の問合せ点を効果的に追跡する,TAP(Tracking Any Point)の新しいモデルを提案する。
提案手法では,(1)他のフレームの問合せ点に対する適切な候補点マッチングを独立に特定するマッチング段階と,(2)局所的相関に基づいてトラジェクトリと問合せの両方を更新する改良段階の2段階を用いる。
結果として得られたモデルは、DAVISにおける平均約20%の絶対平均ジャカード(AJ)改善によって示されるように、TAP-Vidベンチマークにおける大きなマージンで、すべてのベースライン手法を上回ります。
論文 参考訳（メタデータ） (2023-06-14T17:07:51Z) - Efficient Large-scale Scene Representation with a Hybrid of
High-resolution Grid and Plane Features [44.25307397334988]
大規模シーンモデリングのための既存のニューラルレイディアンスフィールド(NeRF)法は、複数のGPUを用いたトレーニングの日数を必要とする。
我々は,3次元ハッシュグレードと高分解能2次元高密度平面特徴を融合したNeRFの高速ハイブリッド特徴表現を提案する。
このハイブリッド表現に基づいて,コンパクトなモデルサイズを維持しつつ,より優れたレンダリング結果が得られるGP-NeRFと呼ばれる高速最適化NeRF変種を提案する。
論文 参考訳（メタデータ） (2023-03-06T10:04:50Z) - SFNet: Faster and Accurate Semantic Segmentation via Semantic Flow [88.97790684009979]
性能を改善するための一般的な実践は、強力な意味表現を持つ高解像度の特徴写像を得ることである。
隣接レベルの特徴マップ間のテキストセマンティックフローを学習するためのフローアライメントモジュール(FAM)を提案する。
また,高分解能特徴写像と低分解能特徴写像を直接整列するGated Dual Flow Alignment Moduleを提案する。
論文 参考訳（メタデータ） (2022-07-10T08:25:47Z) - Towards Fast, Accurate and Stable 3D Dense Face Alignment [73.01620081047336]
本稿では,速度,精度,安定性のバランスをとる3DDFA-V2という新しい回帰フレームワークを提案する。
本研究では,静止画を平面内と面外の動きを取り入れた映像に変換する仮想合成法を提案する。
論文 参考訳（メタデータ） (2020-09-21T15:37:37Z) - Towards Exploiting Implicit Human Feedback for Improving RDF2vec
Embeddings [2.3605348648054463]
RDF2vecは、RDF知識グラフからベクトル空間埋め込みを作成する技術である。
本稿では,外縁重みを用いたランダムウォークの誘導について検討する。
論文 参考訳（メタデータ） (2020-04-09T08:39:19Z) - PolyScientist: Automatic Loop Transformations Combined with Microkernels
for Optimization of Deep Learning Primitives [55.79741270235602]
深層学習カーネル開発のためのハイブリッドソリューションを開発する。
我々は、高度な多面体技術を用いて、パフォーマンスのために外部ループを自動的に調整する。
論文 参考訳（メタデータ） (2020-02-06T08:02:34Z)
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。