論文の概要: ReDIL-GNN: Resynthesis Domain Incremental Learning for Circuit Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2609.18595v1
• Date: Wed, 16 Sep 2026 12:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.80935
• Title: ReDIL-GNN: Resynthesis Domain Incremental Learning for Circuit Graph Neural Networks
• Title（参考訳）: ReDIL-GNN:回路グラフニューラルネットワークの合成領域増分学習
• Abstract要約: 本稿では,ドメイン増分学習フレームワークReDIL-GNNを紹介する。 すべてのシフトを盲目的に適応させるべきではないため、ReDIL-GNNはRe synthesis Adaptability Index (RAI)を導入している。 RAIは、適応要求、ソース等価性回復性、構造的カバレッジ、更新互換性を組み合わせたものだ。 実際には、ReDIL-GNNは再合成対応回路学習をデプロイメント制御ループに変換する。
• 参考スコア（独自算出の注目度）: 6.1625231866179595
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Logic resynthesis preserves circuit functionality while changing gate vocabulary, topology, and structural statistics, creating domain shift for circuit graph neural networks (GNNs) without changing task labels. To study this setting, we introduce ReDIL-GNN, a resynthesis domain-incremental learning framework that adapts a fixed prediction or representation head as new synthesis styles arrive and evaluates retention on all previously observed domains. Because not every shift should be adapted blindly, ReDIL-GNN further introduces the Resynthesis Adaptability Index (RAI), a pre-adaptation score that combines adaptation need, source-equivalence recoverability, structural coverage, and update compatibility. We evaluate supervised hardware-security tasks and representation-learning models using task-native metrics for classifiers and source-equivalence retrieval metrics for embedding models, comparing naive fine-tuning with LwF, Online EWC, MAS, ER, A-GEM, DER++, ER+LwF, and equivalence-guided replay. Across the studied pipelines, RAI separates unsupported shifts from promising updates, ranging from 0.001 for a structurally uncovered GNN-RE ABC-rewrite shift to 0.824 for the best original-only GNN-RE adaptation case. In practice, ReDIL-GNN turns resynthesis-aware circuit learning into a deployment control loop: RAI screens each new synthesis flow before update, guiding whether to reuse the current model, apply retention-aware adaptation, or defer adaptation until the shift is better supported.
• Abstract（参考訳）: 論理再合成は、ゲート語彙、トポロジ、構造統計を変化させながら回路機能を保存し、タスクラベルを変更することなく回路グラフニューラルネットワーク(GNN)のドメインシフトを生成する。 そこで本研究では,新しい合成スタイルが到来するにつれて,固定予測や表現ヘッドを適応させる再合成ドメイン増分学習フレームワークであるReDIL-GNNを紹介する。 すべてのシフトが盲目的に適応するとは限らないため、ReDIL-GNNはさらに、適応の必要性、ソース等価性回復性、構造的カバレッジ、更新互換性を組み合わせた事前適応スコアであるRe synthesis Adaptability Index (RAI)を導入している。 LwF, Online EWC, MAS, ER, A-GEM, DER++, ER+LwF, 等価誘導リプレイと比較し, 教師付きハードウェアセキュリティタスクと表現学習モデルの評価を行った。 研究パイプライン全体では、RAIは将来性のあるアップデートから、構造的に発見されていないGNN-REのABC-リライトシフトの0.001から、オリジナルのみのGNN-RE適応ケースの0.824まで、サポートなしのシフトを分離している。 実際には、ReDIL-GNNは再合成対応回路学習をデプロイメント制御ループに変換する: RAIは更新前の各新しい合成フローをスクリーニングし、現在のモデルを再利用するか、保持対応適応を適用するか、シフトがよりサポートされるまで適応を延期するかを誘導する。

関連論文リスト

• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation [8.765438402697892]
  グラフニューラルネットワークは、構造ノイズや非ホモフィル性トポロジーに直面すると、しばしば顕著な性能劣化に遭遇する。 本稿では、耐性のあるノードレベルの表現学習のために設計された包括的アーキテクチャであるAdvSynGNNを提案する。
  論文  参考訳（メタデータ） (2026-02-19T04:26:57Z)
• Efficient Model Adaptation for Continual Learning at the Edge [15.334881190102895]
  ほとんどの機械学習(ML)システムは、トレーニングとデプロイメントの間、定常的で一致したデータ分散を前提としている。 データ分布は、環境要因、センサー特性、タスク・オブ・関心などの変化により、時間とともに変化することが多い。 本稿では,ドメインシフト下での効率的な連続学習のためのアダプタ・リコンフィグレータ(EAR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T23:55:17Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Sequence Transduction with Graph-based Supervision [96.04967815520193]
  ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:42Z)
• Edge Rewiring Goes Neural: Boosting Network Resilience via Policy Gradient [62.660451283548724]
  ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。 ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-18T06:14:28Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Variational Inference-Based Dropout in Recurrent Neural Networks for Slot Filling in Spoken Language Understanding [9.93926378136064]
  本稿では,変動型リカレントニューラルネットワーク(RNN)を,変動型推論(VI)に基づくドロップアウト正規化で一般化する。 ATISデータセットの実験から、VIベースのドロップアウト正規化による変動RNNは、素早いドロップアウト正規化RNNベースのベースラインシステムを大幅に改善する可能性が示唆された。
  論文  参考訳（メタデータ） (2020-08-23T22:05:54Z)

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。