Dec, 2023

基于 FPGA 的图嵌入加速器使用顺序训练算法

PDF
TL;DR本文研究了在 IoT 环境中使用的 node2vec 算法的应用，提出了结合在线序列训练算法的方法，并在资源有限的 FPGA 设备上实现。所提出的 FPGA 实现相较于原模型在 CPU 上获得了 205.25 倍的加速，评估结果显示，提出的序列模型能够获得更好的图嵌入表示，即使在图结构改变时仍能提高准确性。
发现论文，激发创造
  • 基于扩散图的快速序列嵌入

    本文提出了一种名为 `Diffusion Graphs` 的图嵌入方法，其通过简单的顶点序列生成可以获得更高的计算效率和更加准确的嵌入结果。实验证明，该方法在图中边密度越大时性能越好，同时在社区检测任务中，利用嵌入空间中的聚类节点可以获得比其他序列嵌入方法更好的结果。

    Jan, 2020

  • dynnode2vec：可扩展的动态网络嵌入

    本文介绍了一种动态网络嵌入方法 dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。

    Dec, 2018

  • Item-Graph2vec: 一种使用商品共现图嵌入的高效有效方法，用于协同过滤

    描述了一种基于物品图嵌入算法 (Item-Graph2vec) 的大规模物品推荐系统，该算法通过将用户的购物清单转化为物品共现图，并通过随机游走在该共现图上获取物品序列，最后通过序列样本训练物品向量。实验结果表明，在豆瓣数据集上，Item-Graph2vec 在效率方面比 Item2vec 高 3 倍，并且随机游走采样产生的误差较小。

    Oct, 2023

  • graph2vec：学习图的分布式表示

    本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

    Jul, 2017

  • GraphViz2Vec：提升 GNNs 分类效果的结构感知特征生成模型

    本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。

    Jan, 2024

  • 使用哈希的嵌入压缩技术，用于大规模图表现学习的高效方法

    通过使用压缩方法，我们可以将节点嵌入用比浮点向量更紧凑的向量表示，从而实现在工业级规模的图形数据上快速训练图神经网络，同时达到更好的性能。

    Aug, 2022

  • Word-Graph2vec: 基于随机游走采样的单词共现图的高效单词嵌入方法

    提出了一种基于图形的单词嵌入算法 Word-Graph2vec，通过将大语料库转换为单词共现图然后从该图中随机抽取单词序列样本并在此抽样语料库上训练单词嵌入，在实验中表现出较高的效率并且随着训练语料的增加，其性能优势变得越来越明显。

    Jan, 2023

  • GraphACT: 在 CPU-FPGA 异构平台上加速 GCN 训练

    通过 CPU-FPGA 异构系统，我们设计了一种新型加速器，通过算法 - 架构协同优化，提升 Graph Convolutional Networks 训练的速度。我们采用子图算法，优化特征传播，并提出基于 systolic array 的设计，实现了如此高效的加速。在 Xilinx Alveo U200 及 40 核 Xeon 服务器上，我们的设计比现有多核平台的最新实现快一个数量级，且几乎没有精度损失。

    Dec, 2019

  • 基于随机游走的知识图谱嵌入算法：Subgraph2vec

    在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。

    May, 2024

  • Node2Seq: 用于图神经网络中可训练卷积的方法

    本文提出了一种名为 Node2Seq 的新型图网络层，通过注意力机制和一维卷积神经网络实现了对不同相邻节点信息聚合的显示可训练权重，并提出了通过注意力分数以自适应方式融合非局部信息进行特征学习的方法，实验证明该方法提高了特征学习的性能。

    Jan, 2021