I-GCN:島化によるランタイム局所性強化によるグラフ畳込みネットワークアクセラレータ【JST・京大機械翻訳】

Geng Tong; Wu Chunshu; Zhang Yongan; Tan Cheng; Xie Chenhao; You Haoran; Herbordt Martin C.; Lin Yingyan; Li Ang

プレプリント

J-GLOBAL ID：202202219035942315 整理番号：22P0300256

I-GCN:島化によるランタイム局所性強化によるグラフ畳込みネットワークアクセラレータ【JST・京大機械翻訳】

I-GCN: A Graph Convolutional Network Accelerator with Runtime Locality Enhancement through Islandization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年03月07日プレプリントサーバーでの情報更新日： 2022年03月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフ畳込みネットワーク(GCNs)は,過去3年間で大きな注目を集めている。他の深い学習様式と比較して,GCNの高性能ハードウェア加速は,重要であるが,より挑戦的である。ハードルは,実世界グラフの大きなサイズ,高いスパース性,不規則な非ゼロ分布のため,貧弱なデータ局所性と冗長な計算から生じる。本論文では,I-GCNと呼ぶGCN推論のための新しいハードウェア加速器を提案し,データ局所性を大幅に改善し,不必要な計算を低減した。機構は,島化と呼ばれる新しいオンライングラフ再構成アルゴリズムである。提案したアルゴリズムは,強い内部が弱い外部接続を有するノードのクラスタを見つける。島化プロセスは2つの主要な利点をもたらす。最初に,個々のノードよりむしろ島を処理することによって,より良いオンチップデータ再利用とより少ないオフチップメモリアクセスがある。第2に,島における一般的/共有近隣のための集約として,より少ない冗長計算が再利用できる。グラフアイランドの並列探索,同定,およびレバレッジは,インクリメンタルパイプラインにおける実行時間作業において,ハードウェアにおいて純粋に処理される。これはグラフデータの前処理やGCNモデル構造の調整なしに行われる。実験結果は,I-GCNがオフチップアクセスを著しく減らし,凝集操作の38%を剪定し,CPUs,GPUs,以前の最先端のGCNアクセラレータを,それぞれ平均で5549x,403x,および5.7xの性能高速化に導くことを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識

, , , ,

前のページに戻る