May, 2023

HybridNet: 几何与拓扑视角的双枝融合，用于 VLSI 拥挤预测

PDF
TL;DR本文提出了一种名为 HybridNet 的新型策略，通过构造不同边构造方案的两个独立图形（几何图形，拓扑图形），在每个路径中具有不同的编码器层并使用复杂的融合策略来聚合表示，提供了一种简单有效的方式来捕捉电路单元的几何交互，并保留原始的拓扑关系， 在 ISPD2015 基准测试上的实验结果表明我们较之前的方法提高了 10.9% 的性能表现。
congestion predictionvlsi designnetwork architecturegeometry-graphtopology-graph
发现论文，激发创造
  • 轻量级增强 Inception U-Net 神经网络用于布线可行性预测

    我们提出了一种新的 U-Net 变体模型，通过嵌入 Inception 模块来预测路由阻塞和设计规则检查热点，实验证明我们的方法在 Avg-NRMSE 指标上比经典结构分别实现了 5%（RC）和 20%（DRC） 的准确率提升，并且在 SSIM 度量标准上始终优于之前的模型。

    Feb, 2024

  • 混合时空图卷积网络：利用导航数据改善交通预测

    提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

    Jun, 2020

  • 用于车道智能模拟和拓扑无关的交叉路口交通网络注意力机制

    该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

    Apr, 2024

  • 拥堵预测的变分标签相关增强

    基于变分推理的标签相关性增强拥塞预测方法（VAriational Label-Correlation Enhancement for Congestion Prediction），利用局部标签相关性优化了回归模型的性能，验证了其在大规模电路设计中的卓越有效性。

    Aug, 2023

  • 再次让图神经网络变得优秀：无拓扑模式的通用集成范式用于交通速度预测

    提出了一种能够保留无拓扑模式的通用模型，通过利用双重交叉尺度变换器框架和蒸馏式学习方法，将现有的基于图神经网络的方法与拓扑自由模式进行集成，从而改进了城市交通速度预测的准确性。

    Jun, 2024

  • 驾驶场景的拓扑推理

    TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

    Apr, 2023

  • 基于层次化图结构的拥堵和预计到达时间预测

    本论文提出了一种使用图神经网络的方法，直接在道路图的拓扑结构上预测交通情况，同时采用分层图表示来改善关键路口之间的信息流动，并研究了压缩道路图以提高信息流动效率的方法，并使用多任务方法同时预测拥堵级别和预计到达时间。

    Nov, 2022

  • 增强图形 U-Nets 用于不受网格维度和时空流预测

    该研究致力于克服基于卷积神经网络的传统深度学习方法在复杂几何形状和非结构化网格方面的局限性，提出了改进图形 U-Net 体系结构的新方法，包括高斯混合模型卷积算子和噪声注入方法，这些方法使得在不同网格配置上能够准确预测流场的时空变化。研究还探讨了图形 U-Net 在转导学习和归纳学习方面的应用，并发现无池化操作的图形 U-Net 在归纳学习中表现更好，而归一化技术的选择对图形 U-Net 的性能也有显著影响。

    Jun, 2024

  • 图神经网络的拓扑设计：一种新的特征融合视角

    通过特征融合的角度设计了新颖的 GNN 拓扑结构，进一步提高了模型容量，改善了原有 GNN 拓扑结构的问题，并通过神经架构搜索方法在八个真实数据集上进行了验证。

    Dec, 2021

  • GTAGCN：广义拓扑适应图卷积网络

    基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

    Mar, 2024