論文の概要: HyperGraphX: Graph Transductive Learning with Hyperdimensional Computing and Message Passing

• arxiv url: http://arxiv.org/abs/2510.23980v1
• Date: Tue, 28 Oct 2025 01:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.705937
• Title: HyperGraphX: Graph Transductive Learning with Hyperdimensional Computing and Message Passing
• Title（参考訳）: HyperGraphX:超次元コンピューティングとメッセージパッシングによるグラフトランスダクティブ学習
• Authors: Guojing Cong, Tom Potok, Hamed Poursiami, Maryam Parsa,
• Abstract要約: hdgcはグラフの畳み込みを、超次元計算における結合と束縛操作と組み合わせて、トランスダクティブグラフ学習を行う。 予測精度のhdgcは、主要なグラフニューラルネットワークの実装よりも優れています。
• 参考スコア（独自算出の注目度）: 0.4825511323783563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel algorithm, \hdgc, that marries graph convolution with binding and bundling operations in hyperdimensional computing for transductive graph learning. For prediction accuracy \hdgc outperforms major and popular graph neural network implementations as well as state-of-the-art hyperdimensional computing implementations for a collection of homophilic graphs and heterophilic graphs. Compared with the most accurate learning methodologies we have tested, on the same target GPU platform, \hdgc is on average 9561.0 and 144.5 times faster than \gcnii, a graph neural network implementation and HDGL, a hyperdimensional computing implementation, respectively. As the majority of the learning operates on binary vectors, we expect outstanding energy performance of \hdgc on neuromorphic and emerging process-in-memory devices.
• Abstract（参考訳）: 本稿では,超次元計算におけるグラフ畳み込みと結合および束縛操作を結合したグラフ畳み込みを,トランスダクティブグラフ学習のための新しいアルゴリズムである \hdgc を提案する。 予測精度のために \hdgc は、主要なグラフニューラルネットワークの実装と、同好グラフと異好グラフのコレクションに対する最先端の超次元計算実装を上回ります。 私たちがテストした最も正確な学習手法と比較して、同じGPUプラットフォーム上では、 \hdgcはグラフニューラルネットワークの実装である \gcnii と超次元コンピューティング実装である HDGL よりも平均 9561.0 と 144.5 倍高速である。 学習の大部分はバイナリベクトルで動作するため、ニューロモルフィックおよび新興プロセスインメモリデバイス上でのhdgcの優れたエネルギー性能が期待できる。

関連論文リスト

• CiliaGraph: Enabling Expression-enhanced Hyper-Dimensional Computation in Ultra-Lightweight and One-Shot Graph Classification on Edge [1.8726646412385333]
  CiliaGraphはグラフ分類のための拡張表現型だが超軽量なHDCモデルである。 CiliaGraphはメモリ使用量を削減し、トレーニング速度を平均292倍に高速化する。
  論文  参考訳（メタデータ） (2024-05-29T12:22:59Z)
• Hyperdimensional Representation Learning for Node Classification and Link Prediction [0.0]
  本稿では,グラフのノード分類とリンク予測のための新しい手法であるHyperdimensional Graph Learner (HDGL)を紹介する。 グラフニューラルネットワーク(GNN)系におけるノード表現の傾き特性を用いた高次元空間へのノード特徴のマッピング 本稿では,ノード分類タスクにおいて,最新のGNN手法と競合する精度を,計算コストを大幅に削減することを示すために,広く使用されているベンチマークデータセットを用いた実験結果について報告する。
  論文  参考訳（メタデータ） (2024-02-26T23:15:01Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Scalable Graph Convolutional Network Training on Distributed-Memory Systems [5.169989177779801]
  グラフ畳み込みネットワーク(GCN)はグラフの深層学習に広く利用されている。 グラフ上の畳み込み操作は不規則なメモリアクセスパターンを誘導するので、GCNトレーニングのためのメモリと通信効率の並列アルゴリズムを設計することはユニークな課題である。 本稿では,大規模プロセッサ数にスケールする並列トレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-09T17:51:13Z)
• GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
  本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。 実世界のグラフ分類問題におけるGraphHDの評価を行った。 その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T17:32:58Z)
• Scaling R-GCN Training with Graph Summarization [71.06855946732296]
  リレーショナルグラフ畳み込みネットワーク(R-GCN)のトレーニングは、グラフのサイズに合わない。 本研究では,グラフの要約手法を用いてグラフを圧縮する実験を行った。 AIFB, MUTAG, AMデータセットについて妥当な結果を得た。
  論文  参考訳（メタデータ） (2022-03-05T00:28:43Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)

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。