CiliaGraph：在边缘设备上实现表达增强的超维计算与单样本图分类
机器学习
2024-05-30 v1 人工智能
摘要
图神经网络（GNN）在资源受限的边缘场景中应用于图分类任务时，由于其固有的多次前向和反向传播过程，计算量大且效率低下。作为一种轻量级替代方案，超维计算（HDC）利用高维向量进行数据编码和处理，通过解决计算瓶颈提供了更高效的解决方案。然而，当前的HDC方法主要关注静态图，未能有效捕捉节点属性和结构信息，导致精度较差。在这项工作中，我们提出了CiliaGraph，一种增强表达能力的超轻量级HDC模型，用于图分类。该模型引入了一种新颖的节点编码策略，该策略保持相对距离同构性，以实现准确的节点连接表示。此外，节点距离被用作信息聚合的边权重，并将编码后的节点属性和结构信息拼接起来，以获得全面的图表示。进一步地，我们探索了正交性与维度之间的关系以降低维度，从而进一步提高计算效率。与最先进的GNN相比，大量实验表明，CiliaGraph在保持相当精度的同时，平均减少了292倍（最高达2341倍）的内存使用，并加速了103倍（最高达313倍）的训练速度。
引用
@article{arxiv.2405.19033,
title = {CiliaGraph: Enabling Expression-enhanced Hyper-Dimensional Computation in Ultra-Lightweight and One-Shot Graph Classification on Edge},
author = {Yuxi Han and Jihe Wang and Danghui Wang},
journal= {arXiv preprint arXiv:2405.19033},
year = {2024}
}