本文提出了 Policy-GNN 方法,通过 meta-policy 学习采样策略和消息传递,以解决 GNN 中的聚合优化问题,提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。
Jun, 2020
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
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
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
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
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
本篇论文针对图结构数据的表征学习中的聚合操作进行研究,探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性,进而提出统一图神经网络框架 UGNN,并基于此开发了 ADA-UGNN 模型,通过实验验证了其在自适应平滑性的图中的有效性。
Oct, 2020
本研究提出了一种特征选择 Graph Neural Network(FSGNN)模型,通过解耦节点特征聚合步骤和深度,使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术,实现了对不同聚合的特征的作用进行实证分析,最终在 9 个基准数据集上创建了一种简单而浅的模型,取得了比现有 GNN 模型更好的性能。
Nov, 2021
本研究扩展了图神经网络的理论框架来包含连续特征,并提出了基于 Principal Neighbourhood Aggregation 的新型网络结构,探讨了多种聚合函数需求,旨在寻求更强大和稳健的模型。实验表明,该方法在多项任务上都具有优异的性能。
Apr, 2020