GPU 上 GCN 的特性与理解
通过 CPU-FPGA 异构系统,我们设计了一种新型加速器,通过算法 - 架构协同优化,提升 Graph Convolutional Networks 训练的速度。我们采用子图算法,优化特征传播,并提出基于 systolic array 的设计,实现了如此高效的加速。在 Xilinx Alveo U200 及 40 核 Xeon 服务器上,我们的设计比现有多核平台的最新实现快一个数量级,且几乎没有精度损失。
Dec, 2019
本研究探讨了基于 Graph Convolutional Networks 的最佳实践,旨在利用 GCNs 自然的多关系数据建模能力和处理不规则输入图片的能力,在 MNIST、CIFAR-10 和 PASCAL 数据集上甚至优于 CNNs 的图像分类表现。
Jul, 2019
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中,从而成功地训练出多达 112 层的深度图卷积网络,该方法在多个数据集和任务中展示出了非常良好的表现。
Oct, 2019
通过消除 GCN 中的不必要的非线性和权重矩阵,我们提出了一种线性模型,它对应于一个固定的低通滤波器,然后是一个线性分类器。 在许多下游应用中,我们的实验评估表明这种简化并不会对精度产生负面影响。 此外,由于我们的模型简化减少了计算量,因此我们的模型在更大的数据集上具有可扩展性,并且具有更快的推理速度。
Feb, 2019
本文提出一种基于混合架构的 GCN 加速器 HyGCN,该加速器在处理 GCNs 时具有细粒度的并行性,利用两个处理引擎来缓解 Aggregation 阶段的不规则性和 Combination 阶段的规则性,并通过间相位融合和基于优先级的内存访问协调来优化整个系统,相较于 Intel Xeon CPU 和 NVIDIA V100 GPU 上的现有软件框架,该加速器平均获得了 1509 倍的加速比,同时降低了 2500 倍的能耗和 6.5 倍的加速比以及 10 倍的能耗降低。
Jan, 2020
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现,节点的相似度和 GCN 的性能有正相关关系,并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
Jul, 2022
本综述论文介绍了基于图卷积网络(GCN)的医学图像分析的最新研究进展,包括放射学和组织病理学数据,讨论了 GCN 在疾病诊断和患者康复中的应用,以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。
Feb, 2022
本文提出了并行化技术,为图采样 GCN 提供卓越的可扩展性性能,在不妥协准确性的情况下,在非常大的图上实现了优秀的性能。具体地,我们保证了 GCN 的高效训练,并在计算和通信方面节约了数量级的开销,同时,我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。
Oct, 2018