論文の概要: Machine Learning-Based Graph Simplification for Symbolic Accelerators

• arxiv url: http://arxiv.org/abs/2605.08996v1
• Date: Sat, 09 May 2026 15:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.010551
• Title: Machine Learning-Based Graph Simplification for Symbolic Accelerators
• Title（参考訳）: シンボリック加速器のための機械学習によるグラフ簡易化
• Abstract要約: AutoSlimは機械学習ベースのフレームワークで、ハードウェアアクセラレーター向けのオートマチックグラフを作成できる。 FPGAのリソース使用量を最大40%削減し、スループットと電力効率が向上した。
• 参考スコア（独自算出の注目度）: 0.6299766708197883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based accelerators have been widely adopted in symbolic data processing applications such as genomics, cybersecurity, and artificial intelligence. However, these systems often suffer from excessive memory usage and inefficiencies stemming from redundant graph structures. We present AutoSlim, a machine learning-based framework that leverages data-driven methods to prune automata graphs for hardware accelerators. Using features extracted from prior graph executions and a Random Forest classifier, AutoSlim identifies and removes low-impact nodes and edges. When applied to a Non-deterministic Finite Automata overlay architecture (NAPOLY+), AutoSlim reduces FPGA resource usage by up to 40%, with corresponding improvements in throughput and power efficiency. The framework includes a verification step to ensure functional equivalence after pruning and suggests promising directions for both hardware optimization and security.
• Abstract（参考訳）: グラフベースのアクセラレータは、ゲノム学、サイバーセキュリティ、人工知能といった象徴的なデータ処理アプリケーションで広く採用されている。 しかしながら、これらのシステムは、冗長なグラフ構造に起因する過剰なメモリ使用量や非効率性に悩まされることが多い。 ハードウェアアクセラレーションのための自動グラフ作成にデータ駆動方式を活用する機械学習ベースのフレームワークであるAutoSlimを提案する。 以前のグラフ実行とランダムフォレスト分類器から抽出された機能を使用して、AutoSlimは低インパクトノードとエッジを特定し、削除する。 非決定論的有限オートマタオーバレイアーキテクチャ(NAPOLY+)に適用すると、AutoSlimはFPGAリソースの使用量を最大40%削減し、スループットと電力効率が向上する。 このフレームワークには、プルーニング後の機能的等価性を保証するための検証ステップが含まれており、ハードウェア最適化とセキュリティの両方に有望な方向性を提案する。

関連論文リスト

• AutoGraph-R1: End-to-End Reinforcement Learning for Knowledge Graph Construction [60.51319139563509]
  強化学習(RL)を用いたタスクパフォーマンスのKG構築を直接最適化する最初のフレームワークであるAutoGraph-R1を紹介する。 我々は2つの新しいタスク対応報酬関数を設計し、1つは知識担体としてのグラフと、もう1つは知識指標としてのグラフを設計する。 私たちの研究は、構築とアプリケーションの間のループを閉じることが可能であることを示している。
  論文  参考訳（メタデータ） (2025-10-17T06:03:36Z)
• ML-Based Automata Simplification for Symbolic Accelerators [0.0]
  シンボリックアクセラレータは、ゲノミクス、NLP、サイバーセキュリティといった分野のデータ処理にますます利用されている。 本稿では,FPGA ベースの NAPOLY+ などのオーバーレイ上にデプロイされた,機械学習ベースのグラフ単純化フレームワークである AutoSlim を紹介する。 AutoSlimはFPGA LUTの最大40%削減とトランジションの30%以上を達成し、グラフへのスケーリングは既存のベンチマークよりも桁違いに大きい。
  論文  参考訳（メタデータ） (2025-07-11T17:02:33Z)
• Automated Generation of Precedence Graphs in Digital Value Chains for Automotive Production [1.6574413179773764]
  本研究では,自動車製造におけるデジタルバリューチェーンについて検討する。 車両ネットワークにおける電子制御ユニットの識別、ソフトウェアフラッシュ、カスタマイズ、コミッショニングに焦点を当てている。 自動スケジューリングアルゴリズムを用いて、このプロセスチェーンを最適化するために、新しい優先グラフ設計を提案する。
  論文  参考訳（メタデータ） (2025-04-28T14:37:06Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• AutoSculpt: A Pattern-based Model Auto-pruning Framework Using Reinforcement Learning and Graph Learning [32.10443611442628]
  AutoSculptは、ディープニューラルネットワーク(DNN)のためのパターンベースの自動プルーニングフレームワーク 既存の推論エンジンで認識可能なDNNアーキテクチャ内の規則的なパターンを自動的に識別し、特定する。 最大90%の刈り取り率と約18%の改善を達成し、全てのベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-12-24T02:05:51Z)
• FedGraph: A Research Library and Benchmark for Federated Graph Learning [57.769105634569314]
  フェデレーショングラフ学習は、重要な実践上の課題を持つ新興分野である。 我々は,実践的な分散トレーニングを目的とした研究ライブラリであるFedGraphを紹介する。 FedGraphは最先端のグラフ学習メソッドをサポートし、システムパフォーマンスを評価するモニタリングクラスを含んでいる。
  論文  参考訳（メタデータ） (2024-10-08T20:18:18Z)
• 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)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• An Enhanced Graph Representation for Machine Learning Based Automatic Intersection Management [0.5161531917413708]
  我々は、前述したグラフベースのシーン表現とグラフニューラルネットワークに基づいて、強化学習を用いてこの問題にアプローチする。 本稿では,自動交差点管理において一般的に使用されるベースラインに対して,提案手法の詳細な評価を行う。
  論文  参考訳（メタデータ） (2022-07-18T14:53:50Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• AutoGL: A Library for Automated Graph Learning [67.63587865669372]
  グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。 また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
  論文  参考訳（メタデータ） (2021-04-11T10:49:23Z)

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。