論文の概要: GraphLeap: Decoupling Graph Construction and Convolution for Vision GNN Acceleration on FPGA
- arxiv url: http://arxiv.org/abs/2604.21290v1
- Date: Thu, 23 Apr 2026 05:09:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.316103
- Title: GraphLeap: Decoupling Graph Construction and Convolution for Vision GNN Acceleration on FPGA
- Title（参考訳）: GraphLeap: FPGA上でのビジョンGNN高速化のためのグラフ構築と畳み込みの分離
- Authors: Anvitha Ramachandran, Dhruv Parikh, Viktor Prasanna,
- Abstract要約: Vision Graph Neural Networks (ViGs)は、パッチトークンのグラフとしてイメージを表現し、適応的で特徴駆動の地区を可能にする。
我々は、Vision GNNの最初のエンドツーエンドFPGAアクセラレータを提示する。
当社のストリーミング・レイヤ・ピペリン設計では,kNNグラフ構築エンジンと機能更新エンジンをオーバーラップし,ノードレベルとチャネルレベルの並列性を活かし,エッジ機能のない効率的なオンチップデータフローを実現する。
- 参考スコア（独自算出の注目度）: 0.06999740786886537
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision Graph Neural Networks (ViGs) represent an image as a graph of patch tokens, enabling adaptive, feature-driven neighborhoods. Unlike CNNs with fixed grid biases or Vision Transformers with global token interactions, ViGs rely on dynamic graph convolution: at each layer, a feature-dependent graph is built via k-nearest-neighbor (kNN) search on current patch features, followed by message passing. This per-layer graph construction is the main bottleneck, consuming 50--95\% of graph convolution time on CPUs and GPUs, scaling as $O(N^2)$ with the number of patches $N$, and creating a sequential dependency between graph construction and feature updates. We introduce GraphLeap, a simple reformulation that removes this dependency by decoupling graph construction from feature update across layers. GraphLeap performs the feature update at layer $\ell$ using a graph built from the previous layer's features, while simultaneously using the current layer's features to construct the graph for layer $\ell+1$. This one-layer-lookahead graph construction enables concurrent graph construction and message passing. Although using prior-layer features can introduce minor accuracy degradation, lightweight fine-tuning for a few epochs is sufficient to recover the original accuracy. Building on GraphLeap, we present the first end-to-end FPGA accelerator for Vision GNNs. Our streaming, layer-pipelined design overlaps a kNN graph construction engine with a feature update engine, exploits node- and channel-level parallelism, and enables efficient on-chip dataflow without explicit edge-feature materialization. Evaluated on isotropic and pyramidal ViG models on an Alveo U280 FPGA, GraphLeap achieves up to $95.7\times$ speedup over CPU and $8.5\times$ speedup over GPU baselines, demonstrating the feasibility of real-time Vision GNN inference.
- Abstract（参考訳）: Vision Graph Neural Networks (ViGs)は、パッチトークンのグラフとしてイメージを表現し、適応的で特徴駆動の地区を可能にする。
グローバルなトークンインタラクションを備えた固定グリッドバイアスやビジョントランスフォーマーを持つCNNとは異なり、ViGは動的グラフの畳み込みに依存している。
このレイヤごとのグラフ構築は、CPUやGPU上で50～95%のグラフ畳み込み時間を消費し、パッチ数$N$で$O(N^2)$にスケールし、グラフ構築と機能更新の間にシーケンシャルな依存関係を生成する。
GraphLeapは、レイヤ間の機能更新からグラフ構築を分離することで、この依存関係を除去するシンプルなリビジョンです。
GraphLeapは、前のレイヤの機能から構築されたグラフを使用して、レイヤ$\ell$で機能更新を行い、同時に現在のレイヤの機能を使用して、レイヤ$\ell+1$のグラフを構築する。
この1層グラフ構築は、同時グラフ構築とメッセージパッシングを可能にする。
先行層機能を用いることで精度が低下する可能性があるが、いくつかのエポックに対する軽量な微調整は、元の精度を回復するのに十分である。
GraphLeap上に構築され、Vision GNNの最初のエンドツーエンドFPGAアクセラレータを提示する。
当社のストリーミング・レイヤ・ピペリン設計では,kNNグラフ構築エンジンと機能更新エンジンをオーバーラップし,ノードレベルとチャネルレベルの並列性を活かし,エッジ機能のない効率的なオンチップデータフローを実現する。
Alveo U280 FPGA上の等方的およびピラミッド型ViGモデルに基づいて評価されたGraphLeapは、CPU上での9.7\times$スピードアップとGPUベースラインでの8.5\times$スピードアップを実現し、リアルタイムビジョンGNN推論の可能性を示している。
関連論文リスト
- GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。
適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。
本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-25T22:50:12Z) - AMPLE: Event-Driven Accelerator for Mixed-Precision Inference of Graph Neural Networks [6.4509395505998235]
グラフニューラルネットワーク(GNN)は、非ユークリッドデータのパフォーマンスのために最近注目を集めている。
我々は,新しいイベント駆動プログラミングフローを活用するFPGAアクセラレータである textbfAMPLE (Accelerated Message Passing Logic Engine) を紹介する。
我々はGNN推論をノードレベルの粒度で定量化できる混合パラメータアーキテクチャを開発した。
論文 参考訳（メタデータ） (2025-02-28T16:14:16Z) - SpikeGraphormer: A High-Performance Graph Transformer with Spiking Graph Attention [1.4126245676224705]
Graph Transformerは、Graph Neural Networks(GNN)固有の制限を軽減するための、有望なソリューションとして登場した。
本稿では,SNNとグラフ変換器の統合に関する新たな知見を提案し,Spiking Graph Attention (SGA) モジュールを設計する。
SpikeGraphormerは、さまざまなデータセットにわたる既存の最先端アプローチを一貫して上回る。
論文 参考訳（メタデータ） (2024-03-21T03:11:53Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳（メタデータ） (2021-11-12T07:08:13Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Boosting Graph Embedding on a Single GPU [3.093890460224435]
大規模グラフを最小限のハードウェア制約で埋め込むためのGPUベースのツールであるGOSHを提案する。
更新の影響を高め、埋め込み作業を最小限にするため、新しいグラフ粗化アルゴリズムを採用している。
また、任意の任意の大きなグラフを単一のGPUで埋め込むことができる分解スキーマも組み込まれている。
論文 参考訳（メタデータ） (2021-10-19T15:25:04Z) - Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs [20.85042364993559]
本稿では,新しいグラフ構造を生成し,タスクに有用な接続を含むグラフトランスフォーマーネットワーク(GTN)を提案する。
Fast Graph Transformer Networks (FastGTNs) は230倍高速で、100倍少ないメモリを使用する。
グラフ変換を、メタパスを超えた非局所的な操作を可能にするノードの意味的近接に拡張する。
論文 参考訳（メタデータ） (2021-06-11T07:56:55Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - FeatGraph: A Flexible and Efficient Backend for Graph Neural Network
Systems [23.258185277825888]
FeatGraphは多様なGNNモデルを表現するためのフレキシブルなプログラミングインターフェースを提供する。
FeatGraphは、エンドツーエンドのGNNトレーニングと推論をCPUで最大32倍、GPUで最大7倍高速化する。
論文 参考訳（メタデータ） (2020-08-26T03:17:05Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z)
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。