Jun, 2023

图神经网络加速综述：算法、系统和定制硬件

PDF
TL;DR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。
graph neural networksacceleration techniquestaxonomyexisting approachesfuture research directions
发现论文，激发创造
  • 图神经网络加速调查：算法透视

    本文从算法角度提供了 GNNs 加速方法的综合调查，提出了包括五类在内的分类方法，并对这些方法进行了系统讨论和比较，最后为未来研究提出了一些有前途的前景。

    Feb, 2022

  • 计算图神经网络：从算法到加速器的综述

    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

  • 图计算加速器的实现

    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

  • GNN 中的加速算法调查

    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

  • 揭开图：图神经网络与图生成

    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

  • 图神经网络分布式系统的演化及其在图处理和深度学习中的起源：一项调查

    本文总结和分类大规模图神经网络解决方案的重要方法和技术，并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。

    May, 2023

  • 分布式图神经网络训练：综述

    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

  • 面向时间图的图神经网络：现状、挑战和机遇

    本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。

    Feb, 2023

  • 动态图神经网络调查

    图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

    Apr, 2024

  • 朝向因果分类的图神经网络的全面研究

    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