Fugu-MT 論文翻訳(概要): TopGQ: Fast GNN Post-Training Quantization Leveraging Topology Information

論文の概要: TopGQ: Fast GNN Post-Training Quantization Leveraging Topology Information

arxiv url: http://arxiv.org/abs/2608.30394v1
Date: Mon, 31 Aug 2026 07:49:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.294219
Title: TopGQ: Fast GNN Post-Training Quantization Leveraging Topology Information
Title（参考訳）: TopGQ: トポロジ情報を活用する高速なGNNポストトレーニング量子化
Abstract要約: TopGQは、トレーニング後のGNN量子化フレームワークである。本研究では、外次元と内次元の両方に沿って活性化量子化を可能にする2軸スケール吸収法を提案する。また、ノードの局所構造のプロキシであるTopPINを導入し、量子化時に類似したトポロジを持つノードをグループ化する。
参考スコア（独自算出の注目度）: 8.261265381603893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing GNN quantization methods suffer from considerable quantization overhead, which severely limits their practical usage in real-world scenarios. To this end, we present TopGQ, an accurate post-training GNN quantization framework, alleviating redundant quantization overhead. We propose dual-axis scale absorption, which enables activation quantization along both the outer and inner dimensions by merging one into the adjacency matrix. On top of that, we introduce TopPIN, a proxy for nodes' local structure, and use it to group nodes with similar topology during quantization. Experimental results show that TopGQ reduces quantization time by an order of magnitude while preserving accuracy.
Abstract（参考訳）: 既存のGNN量子化手法は、実際のシナリオでの使用を著しく制限する、相当量の量子化オーバーヘッドに悩まされている。この目的のために,学習後GNN量子化フレームワークであるTopGQを紹介し,冗長な量子化オーバーヘッドを軽減する。本稿では,外次元と内次元の両方に沿った活性化量子化を実現するための2軸スケール吸収法を提案する。さらに,ノードの局所構造を代用するプロキシであるTopPINを導入し,量子化時に類似したトポロジを持つノードをグループ化する。実験の結果,TopGQは精度を保ちながら,量子化時間を桁違いに削減することがわかった。

関連論文リスト

Starting Positions Matter: A Study on Better Weight Initialization for Neural Network Quantization [71.44469196328507]
正規化、量子化対応トレーニング、量子化不正性ペナルティといった量子化固有のモデル開発技術は、現代のDNNの精度と堅牢性を大幅に向上させるのに役立っている。本研究は, 各種CNNビルディングブロックの重み付け初期化が, 効率のよいCNNに共通する各種CNNビルディングブロックに与える影響について検討する。次に、量子化されたDNNのパラメータを予測するために、グラフハイパーネットワークス(GHN)を用いた量子化ロバストなCNN初期化の新しい手法を検討する。
論文参考訳（メタデータ） (2025-06-12T08:11:34Z)
Low-bit Model Quantization for Deep Neural Networks: A Survey [123.89598730307208]
本稿では、ディープニューラルネットワーク(DNN)における低ビット量子化に向けた最近の5年間の進歩について調査する。我々は最先端の量子化手法を議論し、それらのコア技術に基づいて8つの主要なカテゴリと24のサブカテゴリに分類する。我々は、モデル量子化の分野における潜在的研究の機会に光を当てた。
論文参考訳（メタデータ） (2025-05-08T13:26:19Z)
Low-bit Quantization for Deep Graph Neural Networks with Smoothness-aware Message Propagation [3.9177379733188715]
本稿では,資源制約のある環境において,これらの課題に対処するためのエンドツーエンドソリューションを提案する。本稿では,学習中のメッセージパッシングからノード分類まで,GNNのすべての段階に対する量子化に基づくアプローチを提案する。提案した量子化器は量子化範囲を学習し、低ビット量子化の下でも同等の精度でモデルサイズを削減する。
論文参考訳（メタデータ） (2023-08-29T00:25:02Z)
Designing strong baselines for ternary neural network quantization through support and mass equalization [7.971065005161565]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンにおける幅広いアプリケーションにおいて、最高のパフォーマンスを提供する。浮動小数点値を3次値に定量化することにより、この計算負担を劇的に低減することができる。提案手法は, 様々なシナリオを用いて三次量子化の性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2023-06-30T07:35:07Z)
QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文参考訳（メタデータ） (2022-11-09T21:43:16Z)
Nonuniform-to-Uniform Quantization: Towards Accurate Quantization via Generalized Straight-Through Estimation [48.838691414561694]
非一様量子化(英: Nonuniform-to-Uniform Quantization、N2UQ)は、ハードウェアフレンドリーで効率的な非一様法の強力な表現能力を維持できる方法である。 N2UQはImageNet上で最先端の非一様量子化法を0.71.8%上回る。
論文参考訳（メタデータ） (2021-11-29T18:59:55Z)
VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
論文参考訳（メタデータ） (2021-10-27T11:48:50Z)
PTQ-SL: Exploring the Sub-layerwise Post-training Quantization [6.0070278366995105]
ネットワーク量子化は畳み込みニューラルネットワークを圧縮する強力な技術である。量子化の粒度は、ウェイトにおけるスケーリング因子の共有方法を決定する。サブ層粒度(PTQ-SL)における学習後効率的な量子化法を提案する。
論文参考訳（メタデータ） (2021-10-15T02:18:54Z)
Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
論文参考訳（メタデータ） (2021-09-05T15:15:07Z)
Post-Training Piecewise Linear Quantization for Deep Neural Networks [13.717228230596167]
リソース制限されたデバイスへのディープニューラルネットワークのエネルギー効率向上において、量子化は重要な役割を果たす。本稿では,長い尾を持つベル形状のテンソル値の正確な近似を実現するために,一方向線形量子化方式を提案する。提案手法は,最先端のポストトレーニング量子化手法と比較して,画像分類,セマンティックセグメンテーション,オブジェクト検出においてわずかなオーバーヘッドで優れた性能を実現する。
論文参考訳（メタデータ） (2020-01-31T23:47:00Z)

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。