論文の概要: Improving the Graph Challenge Reference Implementation

• arxiv url: http://arxiv.org/abs/2601.00974v1
• Date: Fri, 02 Jan 2026 19:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.920613
• Title: Improving the Graph Challenge Reference Implementation
• Title（参考訳）: グラフチャレンジ参照実装の改善
• Authors: Inna Voloshchuk, Hayden Jananthan, Chansup Byun, Jeremy Kepner,
• Abstract要約: 匿名ネットワークセンシンググラフチャレンジは1000億以上のネットワークパケットを処理し、プライバシ保護トラフィック行列を構築する。 この研究は、明確さ、適応性、パフォーマンスを改善するために、参照コードのセクションのベンチマークを提示します。 オリジナルのPython実装は、2つの集中モジュールで325行に合理化され、コードサイズが67%削減された。
• 参考スコア（独自算出の注目度）: 0.13508933701915796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The MIT/IEEE/Amazon Graph Challenge provides a venue for individuals and teams to showcase new innovations in large-scale graph and sparse data analysis. The Anonymized Network Sensing Graph Challenge processes over 100 billion network packets to construct privacy-preserving traffic matrices, with a GraphBLAS reference implementation demonstrating how hypersparse matrices can be applied to this problem. This work presents a refactoring and benchmarking of a section of the reference code to improve clarity, adaptability, and performance. The original Python implementation spanning approximately 1000 lines across 3 files has been streamlined to 325 lines across two focused modules, achieving a 67% reduction in code size while maintaining full functionality. Using pMatlab and pPython distributed array programming libraries, the addition of parallel maps allowed for parallel benchmarking of the data. Scalable performance is demonstrated for large-scale summation and analysis of traffic matrices. The resulting implementation increases the potential impact of the Graph Challenge by providing a clear and efficient foundation for participants.
• Abstract（参考訳）: MIT/IEEE/Amazon Graph Challengeは、個人とチームが大規模なグラフとスパースデータ分析に新たなイノベーションを披露する場を提供する。 Anonymized Network Sensing Graph Challengeは1000億以上のネットワークパケットを処理してプライバシ保護トラフィック行列を構築する。 この作業は、明確さ、適応性、パフォーマンスを改善するために、参照コードの一部のリファクタリングとベンチマークを提示します。 3つのファイルにまたがる約1000行のPython実装は、2つの集中モジュールにまたがって325行に合理化され、完全な機能を維持しながらコードサイズを67%削減した。 pMatlabとpPythonの分散配列プログラミングライブラリを使用することで、並列マップの追加によってデータの並列ベンチマークが可能になった。 交通行列の大規模要約と解析のために,スケーラブルな性能を示す。 その結果、参加者に明確で効率的な基盤を提供することで、グラフチャレンジの潜在的な影響を高めることができる。

関連論文リスト

• Efficient Graph Condensation via Gaussian Process [8.099774846541438]
  グラフ凝縮は、性能を維持しながら大きなグラフのサイズを減らす。 既存の手法はしばしば二段階最適化に依存しており、広範囲なGNNトレーニングとスケーラビリティの制限を必要とする。 本稿では,ガウス過程を用いたグラフ凝縮法(GCGP)を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:43:07Z)
• Predictive Query-based Pipeline for Graph Data [0.0]
  グラフ埋め込み技術は大規模グラフの解析と処理を単純化する。 GraphSAGE、Node2Vec、FastRPといったいくつかのアプローチは、グラフの埋め込みを生成する効率的な方法を提供する。 埋め込みをノード特性として保存することにより、異なる埋め込み技術を比較し、それらの有効性を評価することができる。
  論文  参考訳（メタデータ） (2024-12-13T08:03:57Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Distributed Graph Embedding with Information-Oriented Random Walks [16.290803469068145]
  グラフ埋め込みはグラフノードを低次元ベクトルにマッピングし、機械学習タスクで広く採用されている。 数十億のエッジグラフを埋め込むためにスケール可能な,汎用的で分散された情報中心のランダムウォークベースのグラフ埋め込みフレームワークであるDistGERを提案する。 D DistGERは2.33x-129x加速、機械間通信の45%削減、下流タスクの10%改善を示す。
  論文  参考訳（メタデータ） (2023-03-28T03:11:21Z)
• 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)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• GRAPE for Fast and Scalable Graph Processing and random walk-based Embedding [0.5035217505850539]
  本稿では,グラフ処理と埋め込みのためのソフトウェアリソースであるGRAPEを紹介する。 専門的でスマートなデータ構造、アルゴリズム、ランダムウォークベースのメソッドの高速な並列実装を使用することで、大きなグラフでスケールすることができる。
  論文  参考訳（メタデータ） (2021-10-12T17:49:46Z)
• Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
  本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。 テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-06-10T14:48:48Z)

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。