Sign In

HyperGraphX: Graph Transductive Learning with Hyperdimensional Computing and Message Passing

Created by
  • Haebom
Category
Empty

저자

Guojing Cong, Tom Potok, Hamed Poursiami, Maryam Parsa

개요

본 논문은 전도적 그래프 학습을 위해 그래프 컨볼루션과 초고차원 컴퓨팅의 바인딩 및 번들링 연산을 결합한 새로운 알고리즘인 \hdgc를 제시합니다. \hdgc는 동질성 그래프 및 이질성 그래프 모음에서 주요 그래프 신경망 구현 및 최첨단 초고차원 컴퓨팅 구현보다 예측 정확도가 뛰어납니다. 동일한 대상 GPU 플랫폼에서 테스트한 가장 정확한 학습 방법론과 비교하여, \hdgc는 그래프 신경망 구현인 \gcnii보다 평균 9561.0배, 초고차원 컴퓨팅 구현인 HDGL보다 144.5배 빠릅니다. 학습의 대부분이 바이너리 벡터에서 작동하므로, 신경 형태 및 차세대 프로세스-인-메모리 장치에서 \hdgc의 뛰어난 에너지 성능을 기대할 수 있습니다.

시사점, 한계점

•
시사점:
◦
그래프 컨볼루션과 초고차원 컴퓨팅의 결합을 통한 새로운 알고리즘 제시.
◦
동질성 및 이질성 그래프에서 기존 방법론 대비 뛰어난 예측 정확도.
◦
동일 GPU 환경에서 다른 방법론보다 월등히 빠른 속도 (GCNII 대비 9561.0배, HDGL 대비 144.5배).
◦
신경 형태 및 프로세스-인-메모리 장치에서의 뛰어난 에너지 효율성 기대.
•
한계점:
◦
구체적인 그래프 종류, 데이터셋, 실험 환경에 대한 정보 부족.
◦
\hdgc 알고리즘의 세부 구현 사항에 대한 정보 부족.
◦
신경 형태 및 프로세스-인-메모리 장치에서의 에너지 성능에 대한 구체적인 실험 결과 부재.
👍
Made with Slashpage