本次调查报告提供了图神经网络加速的分类法,并回顾了现有方法,并提出了未来的研究方向,以便统一视图和解决相关工作的复杂性。
Jun, 2023
图神经网络 (GNN) 在各种基于图的任务中显示出有效性,然而他们在训练和推理中的低效性给实现规模化的实际世界和大规模图应用带来挑战。为了解决这些关键问题,提出了一系列加速 GNN 训练和推理的算法,吸引了研究界的越来越多的关注。本文对 GNN 中的加速算法进行了系统综述,根据目的将其划分为三个主要主题:训练加速、推理加速和执行加速。具体来说,我们总结和分类了每个主题下的现有方法,并对每个类别的方法进行了详细的描述和特征化分析。此外,我们还回顾了几个与 GNN 加速算法相关的库,并讨论了我们的可扩展图学习 (SGL) 库。最后,我们提出了未来研究的有希望的方向。在我们的 GitHub 仓库中提供了完整的摘要:this https URL。
May, 2024
该研究论文通过对 GNNs 的计算效率进行探讨,提供了该领域的回顾,包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结;同时,提供了对当前软件和硬件加速方案的深入分析,并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。
Sep, 2020
图神经网络在图结构数据上学习提供了一种新颖的机器学习范例,能够捕捉图数据中的复杂关系和依赖性,从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式,并设计专用加速器和新型优化方法,以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构,同时扩展了对图神经网络领域中新型模型的探索,旨在提供不仅高性能而且能适应图计算发展的多功能加速器。
Dec, 2023
综述了图神经网络 (GNNs) 的应用、图数据和深度学习的扩展,以及 GNNs 的高级领域:图生成。
Mar, 2024
研究发现了图神经网络在因果分析方面的潜力,通过评估不同数据环境中九个基准图分类模型的效率和灵活性,突显了预测能力以及需求进一步提升的领域。
Jan, 2024
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。
Jan, 2019
这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法:GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后,本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统,并就可伸缩 GNNs 的未来方向进行了讨论。
Nov, 2022
物联网和下一代网络领域,图神经网络的应用和进展作出了重要贡献,并提供了全面的调研,包括数据融合、入侵检测、频谱感知等方面,同时对网络和战术系统的利用进行了详细描述,为研究者提供了一个全面资源。
本文综述了现有的图神经网络可解释性技术,提出了分类方法并分别讨论了各类的优缺点、应用场景及评估指标,以协助研究人员和从业者了解现有的可解释性方法,识别不足并促进可解释性机器学习的进一步发展。