論文の概要: Co-Optimizing Graph Sparsification and Approximate Computing for Energy-Efficient FPGA-Based GCN Inference

• arxiv url: http://arxiv.org/abs/2610.06138v1
• Date: Mon, 05 Oct 2026 11:10:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:50:50.533479
• Title: Co-Optimizing Graph Sparsification and Approximate Computing for Energy-Efficient FPGA-Based GCN Inference
• Title（参考訳）: エネルギー効率のよいFPGAベースGCN推論のためのグラフスペーシングと近似計算の協調最適化
• Abstract要約: グラフ畳み込みネットワーク(GCN)は、グラフ構造化データから学習するための強力なフレームワークとして登場した。 本研究は, AMD Kria KV260上でDSparグラフスカラー化, 8ビット量子化, 近似乗算器を組み合わせたFPGAベースのGCN加速器を提案する。
• 参考スコア（独自算出の注目度）: 0.9481925300137776
• License:
• Abstract: Graph Convolutional Networks (GCNs) have emerged as a powerful framework for learning from graph-structured data, yet their deployment on resource-constrained edge platforms remains challenging due to the computational and memory demands of sparse graph aggregation. This work presents an FPGA-based GCN accelerator that combines DSpar graph sparsification, 8-bit quantization, and approximate multipliers on the AMD Kria KV260. Evaluated on Cora, LastFM Asia, and Amazon Photo, the design explores the interaction between sparsification and approximation across graphs with widely varying densities. Results show that the effectiveness of approximate arithmetic is governed by accumulation depth within GCN computations. Approximate multipliers are most effective when applied to sparse aggregation operations, while graph sparsification further improves their viability by reducing aggregation depth. The combined approach achieves up to 9.88$\times$ speedup while maintaining 86.6\% classification accuracy on Amazon Photo, and 1.52$\times$ speedup with 77.0\% accuracy on Cora, with total power consumption below 1 W. These results demonstrate that graph sparsification and approximate computing are complementary techniques whose co-optimization enables efficient low-power GCN inference on edge FPGA platforms.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、グラフ構造化データから学習するための強力なフレームワークとして登場したが、疎グラフ集約の計算とメモリ要求のため、リソース制約のあるエッジプラットフォームへの展開は依然として困難である。 本研究は, AMD Kria KV260上でDSparグラフスカラー化, 8ビット量子化, 近似乗算器を組み合わせたFPGAベースのGCN加速器を提案する。 Cora、LastFM Asia、およびAmazon Photoで評価されたこのデザインは、広く異なる密度のグラフをまたいだスパーシフィケーションと近似の相互作用を探索する。 その結果, 近似演算の有効性はGCN計算における累積深さによって制御されることがわかった。 近似乗算器はスパースアグリゲーション操作に適用する場合が最も効果的であるが、グラフスペーシフィケーションはアグリゲーション深度を減らしてそれらの生存性をさらに向上させる。 組み合わせたアプローチは、Amazon Photo上で86.6\%の分類精度を維持しながら最大9.88$\times$スピードアップを実現し、Coral上では77.0\%の精度で1W以下で1.52$\times$スピードアップを実現している。

関連論文リスト

• Not All Neighbors Matter: Understanding the Impact of Graph Sparsification on GNN Pipelines [4.381143313862113]
  グラフスペーサー化(Graph Sparsification)は、エッジを縮小してスペーサー地区を生成するテクニックである。 GNNのトレーニングとスペーサー付きグラフの推論に関する最初の総合的研究を行う。 以上の結果から,K-Neighborスペーサーは製品グラフ上のモデルサービス性能を0.7%の精度で11.7倍改善することがわかった。
  論文  参考訳（メタデータ） (2026-03-07T00:02:33Z)
• OMEGA: A Low-Latency GNN Serving System for Large Graphs [8.51634655687174]
  グラフニューラルネットワーク(GNN)は、グラフデータセットにおける表現ノード表現の計算能力に広く採用されている。 既存のトレーニングにおける近似技術はオーバーヘッドを軽減することができるが、サービスでは高いレイテンシと/または精度の損失につながる。 本稿では,低遅延GNNを最小限の精度でグラフに役立てるシステムであるOMEGAを提案する。
  論文  参考訳（メタデータ） (2025-01-15T03:14:18Z)
• MassiveGNN: Efficient Training via Prefetching for Massively Connected Distributed Graphs [11.026326555186333]
  本稿では,現在最先端のAmazon DistDGL分散GNNフレームワーク上に,パラメータ化された連続プリフェッチと消去方式を提案する。 NERSC(National Energy Research Scientific Computing Center)のPerlmutterスーパーコンピュータでは、エンドツーエンドのトレーニング性能が15～40%向上している。
  論文  参考訳（メタデータ） (2024-10-30T05:10:38Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• COIN: Communication-Aware In-Memory Acceleration for Graph Convolutional Networks [2.620532065450903]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データを処理する際に顕著な学習能力を示す。 本稿では,GCNハードウェアアクセラレーションのための通信対応インメモリコンピューティングアーキテクチャ(COIN)を提案する。
  論文  参考訳（メタデータ） (2022-05-15T15:29:42Z)
• Towards Efficient Graph Convolutional Networks for Point Cloud Handling [181.59146413326056]
  ポイントクラウド上で学習するためのグラフ畳み込みネットワーク(GCN)の計算効率の向上を目指します。 一連の実験により、最適化されたネットワークは計算複雑性を減らし、メモリ消費を減らし、推論速度を加速した。
  論文  参考訳（メタデータ） (2021-04-12T17:59:16Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• GraphACT: Accelerating GCN Training on CPU-FPGA Heterogeneous Platforms [1.2183405753834562]
  グラフ畳み込みネットワーク(GCN)は、グラフ上での表現学習のための最先端のディープラーニングモデルとして登場した。 実質的かつ不規則なデータ通信のため、GCNの訓練を加速することは困難である。 我々はCPU-FPGAヘテロジニアスシステム上でGCNをトレーニングするための新しいアクセラレータを設計する。
  論文  参考訳（メタデータ） (2019-12-31T21:19:01Z)

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。