論文の概要: Beyond Edge Cuts: Activity-Weighted Multicast Hypergraph Mapping for Spiking Neural Networks on Mesh NoCs

• arxiv url: http://arxiv.org/abs/2608.26223v1
• Date: Wed, 26 Aug 2026 13:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.127747
• Title: Beyond Edge Cuts: Activity-Weighted Multicast Hypergraph Mapping for Spiking Neural Networks on Mesh NoCs
• Title（参考訳）: エッジカットを超えて:メッシュNoC上でニューラルネットワークをスパイクするためのアクティビティ重み付きマルチキャストハイパーグラフマッピング
• Abstract要約: 本稿では,M-HySMapを提案する。 We show that M-HySMap reduces routed multicast hops over Activity+QAP and 19.7-41.1% over Edge+QAP。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mapping spiking neural networks (SNNs) onto neuromorphic many-core platforms is often formulated with graph partitioning and pairwise placement costs. That abstraction is convenient, but it does not match the physical communication event: one spike from a source neuron is delivered to a set of postsynaptic destinations, and routes to several destinations can share mesh links. We present M-HySMap, a route-aware, activity-weighted multicast hypergraph mapping framework. Each source neuron induces a directed hyperedge to its postsynaptic fanout, weighted by profiled activity. The mapper starts from strong activity-aware graph/QAP seeds and then optimizes distinct destination-core fanout, the union of deterministic mesh routes, and link congestion. The central algorithmic observation is locality: moving one neuron can change only its own source-rooted hyperedge and the hyperedges of its predecessors. This permits exact incremental gain evaluation while caching every unaffected route contribution. We expose this combinatorial structure in detail, derive a conservative placement lower bound, and describe a portfolio of partition and placement neighborhoods that preserves the best incumbent. Across a 115-job evidence suite on Potjans-inspired recurrent SNNs and mesh NoCs from 4 x 4 to 6 x 6, plus a 7 x 7 stress case, M-HySMap reduces routed multicast hops by 10.6-19.6% over Activity+QAP and 19.7-41.1% over Edge+QAP. Incremental updates accelerate refinement by 4.7-12.7x while matching full recomputation to numerical precision.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)をニューロモルフィックな多コアプラットフォームにマッピングする場合、しばしばグラフ分割とペア配置コストで定式化される。 ソースニューロンからの1つのスパイクは、シナプス後の一連の宛先に配信され、いくつかの宛先へのルートはメッシュリンクを共有することができる。 本稿では,M-HySMapを提案する。 各ソースニューロンは、プロファイリングされた活動によって重み付けされたシナプス後ファンアウトに誘導されたハイパーエッジを誘導する。 Mapperは、強力なアクティビティ対応グラフ/QAPシードから始まり、異なる目的地中心のファンアウト、決定論的メッシュルートの結合、およびリンクの混雑を最適化する。 中心的なアルゴリズム上の観察は局所性であり、1つのニューロンを移動させることは、自身のソースをルートとするハイパーエッジと、前者のハイパーエッジだけを変えることができる。 これにより、影響のないすべてのルートコントリビューションをキャッシュしながら、正確なインクリメンタルゲイン評価が可能になる。 我々は、この組合せ構造を詳細に公開し、保守的な配置の下限を導出し、最も優れた存在を保った分割と配置地区のポートフォリオを記述する。 PotjansにインスパイアされたSNNとメッシュNoCを4 x 4から6 x 6にリカレントした115のエビデンススイートと7 x 7のストレスケースに加えて、M-HySMapは、Activity+QAPよりも10.6-19.6%、Edge+QAPより19.7-41.1%、ルーティングされたマルチキャストホップを10.6-19.6%削減した。 増分更新により4.7-12.7倍の洗練が加速され、完全再計算と数値精度が一致する。

関連論文リスト

• Tensor-Accelerated Eager Multi-Resolution Grids for Evolving Large-Scale Substrates [0.4899818550820576]
  神経進化において、間接的エンコーディングは、それぞれの接続を指定するのではなく、コンパクトなゲノムからネットワーク接続を生成する。 ESHyperNEATは、CPPN出力パターンを調べることで、隠れたノードの配置を自動的に検出する。 EMRHyperNEAT では,すべての位置を前向きに評価し,同じ分散基準を用いてフィルタする。
  論文  参考訳（メタデータ） (2026-08-27T18:45:50Z)
• Sigma-Branch: Hierarchical Single-Path Network Reconstruction for Dynamic Inference with Reduced Active Parameters [0.0]
  本稿では,事前学習した高密度ネットワークを,共有バックボーン,階層ルータ,特殊葉からなる階層二分木に再構成するフレームワークを提案する。 CIFAR-100 / ResNet-50, ImageNet-1K / ResNet-50, ModelNet40 / PointNet++ 全体で、SigmaB-Net は高密度ベースライン Top-1 の 1.72 ポイント (pp) に留まりながら、参照毎のアクティブパラメータを58-60%削減する。
  論文  参考訳（メタデータ） (2026-06-07T09:19:44Z)
• Training Non-Differentiable Networks via Optimal Transport [1.5229257192293202]
  PolyStepは、フォワードパスのみを使用してパラメータを更新する、勾配のないメソッドである。 我々は、既存の勾配のない手法がほぼランダムな精度で崩壊する真に微分不可能なモデルを訓練する。 ハードLIFスパイクネットワークでは、93.4%の精度に達し、全ての勾配のないベースラインを60pp以上上回り、サロゲート勾配のアダム天井の4.4pp以内に閉じる。
  論文  参考訳（メタデータ） (2026-05-03T15:20:56Z)
• A Case for Hypergraphs to Model and Map SNNs on Neuromorphic Hardware [0.0]
  ニューロモルフィックハードウェア上でのニューラルネットワーク(SNN)のスパイキングは、ニューロンをコアにマッピングする問題を引き起こす。 本研究では,グラフからハイパーグラフへのSNNの抽象化を提案する。 ハイパーエッジの重なり合いと局所性は高次写像と強く相関していることを示す。
  論文  参考訳（メタデータ） (2026-01-22T17:13:57Z)
• NAT: Learning to Attack Neurons for Enhanced Adversarial Transferability [77.1713948526578]
  Neuron Attack for Transferability (NAT) は、特定のニューロンを埋め込む方法である。 我々のアプローチは、以前の階層レベルの最適化がいくつかのニューロンに不均等に焦点をあてることがしばしばあるという観察に動機づけられている。 個々のニューロンを標的にすることで、ニューラルネットワークのコアユニットを効果的に破壊する。
  論文  参考訳（メタデータ） (2025-08-23T08:06:31Z)
• Sheaf4Rec: Sheaf Neural Networks for Graph-based Recommender Systems [18.596875449579688]
  本稿では,カテゴリ理論にインスパイアされた最先端モデルを提案する。 単一のベクトル表現とは異なり、シーフニューラルネットワークとその対応するラプラシアンはベクトル空間を用いて各ノード(およびエッジ)を表現している。 提案モデルでは,F1-Score@10では8.53%,NDCG@10では11.29%の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2023-04-07T07:03:54Z)
• Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
  我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。 PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。 広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
  論文  参考訳（メタデータ） (2023-01-31T16:43:53Z)
• 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)
• ActNN: Reducing Training Memory Footprint via 2-Bit Activation Compressed Training [68.63354877166756]
  ActNNは、バック伝搬のためのランダムに量子化されたアクティベーションを格納するメモリ効率のトレーニングフレームワークである。 ActNNはアクティベーションのメモリフットプリントを12倍に削減し、6.6倍から14倍のバッチサイズでトレーニングを可能にする。
  論文  参考訳（メタデータ） (2021-04-29T05:50:54Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Multi-hop Attention Graph Neural Network [70.21119504298078]
  マルチホップアテンショングラフニューラルネットワーク(MAGNA)は、マルチホップコンテキスト情報を注目計算のすべての層に組み込む方法である。 MAGNAは各層における大規模構造情報を捕捉し,低域効果によりグラフデータからノイズの多い高周波情報を除去することを示す。
  論文  参考訳（メタデータ） (2020-09-29T22:41:19Z)

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。