GiPH: 适应性异构计算的通用布局学习

May, 2023

GiPH: 适应性异构计算的通用布局学习

GiPH: Generalizable Placement Learning for Adaptive Heterogeneous Computing

Yi Hu, Chaoran Zhang, Edward Andert, Harshul Singh, Aviral Shrivastava...

TL;DRGiPH 是一种学习方法，利用图形神经网络和图形表示法表示信息，学习动态设备集群中的好位置，使应用完成时间最短。GiPH 能够找到比其他基于搜索的部署策略更快的位置，完成时间降低了 30.5%。

Abstract

Careful placement of a computational application within a target device cluster is critical for achieving low application completion time. The problem is challenging due to its NP-hardness and combinatorial natur

computational application placement learning-based approach dynamic device clusters graph neural network

发现论文，激发创造

GDP: 数据流图的通用设备放置

本文提出了一种端到端的基于图神经网络的可扩展顺序关注机制，并使用超前网络在每个独立图上进行微调，达到了优于人类专家和先前技术的 16% 平均改善和 15 倍更快的收敛速度，从而实现了有关大型神经网络和设备放置的计算成本和效率的突破。

Sep, 2019

一种针对计算图学习设备放置的结构感知框架

我们提出了一个基于强化学习的新框架，用于任务设备放置，该框架利用从 OpenVINO 工具包中提取的较小的计算图，包括图粗化、节点表示学习和策略优化等五个步骤，并结合了图表示学习和个性化图划分的模型变种，通过使用推荐设备放置的执行时间来制定奖励，多个实验表明该方法具有灵活性和有效性。

May, 2024

为分布式机器学习学习可推广设备部署算法

本文提出了一个名为 Placeto 的强化学习方法，用于高效地找到分布式神经网络训练的设备位置，并且可以学习通用的设备放置策略，这种策略可以应用于任何计算图，并且实验结果表明，使用 Placeto 可以找到与现有方法找到的最佳放置相当或更优的放置，并且可以在同一族的图中实现无需重新训练来预测优化放置，从而消除了其他强化学习方法带来的大量开销。

Jun, 2019

设备放置优化与强化学习

本文提出了一种使用序列到序列模型来预测 TensorFlow 计算图中哪些操作应该在哪些可用设备上运行的方法，并以预测的放置方式的执行时间作为奖励信号来优化序列到序列模型参数，结果表明在基于 Inception-V3 的 ImageNet 分类和基于 RNN LSTM 的语言建模和神经机器翻译的任务中，使用该模型能够发现优于手动设置和传统算法方法的设备放置方案。

Jun, 2017

图神经网络与强化学习在主动应用图像布局中的应用

该论文将云计算转向云边界连续体的转变与数据密集型和交互式应用程序所面临的新机遇和挑战联系起来。作者提出了一种将图神经网络和强化学习中的演员 - 评论家方法相结合的主动式图像部署方法，并通过实证评估和与其他解决方案的比较来验证其有效性。结果表明，这种方法在应用程序部署方面始终取得了卓越的成果。

Apr, 2024

基于图分割和空间投影的异质网络嵌入方法 - GPSP

提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

Mar, 2018

异质图神经网络用于移动蜂窝系统的功率控制学习

使用嵌入先验知识的 HetGNN 及参数共享方案来学习多用户多小区网络中的最优功率控制策略，相比于 DNN，其拥有更低的样本复杂度和较小的网络规模。

Nov, 2020

移动边缘计算中基于学习的应用部署问题的解决方案

本研究利用机器学习模型对边缘服务器中的请求分配进行优化，提供一种更高效的方法来解决移动边缘计算中的高维问题和不确定性场景，结果显示机器学习模型相对传统方法具有显著的解决时间改进。

Mar, 2024

具有 GFlowNets 的强健调度

本研究提出了一种新的调度方法，使用 GFlowNet 方法按比例抽样代理指标，通过在推理时间控制所提出的时间表的差异性和优良性之间的权衡以及将 GFlowNet 条件化为计算图，证明了相对于我们的方法，纯优化基线在目标模型上的性能不佳。

Jan, 2023

基于物理约束的异构图神经网络及其在直流隔离器放置中的应用

通过开发物理信息的异构图神经网络来解决基于图的直流阻挡器部署问题，该方法结合了异构图神经网络和物理信息神经网络，以捕捉交流 / 直流网络中不同类型的节点和边，并融合电力网络的物理定律。经过案例研究验证，结果表明该方法能够有效而高效地支持 GIC 直流阻挡器的部署，确保持续供电以满足社会需求，对于抵御不断增长的 GMD 威胁的可靠且弹性电力网络的发展具有潜力。

May, 2024