GraphHD：使用超维计算进行高效图分类
机器学习
2022-05-17 v1 神经与进化计算
摘要
由 Kanerva 发展的超维计算 (HDC) 是一种受神经科学启发的机器学习计算模型。HDC 利用生物神经系统的特性，如高维性、随机性和信息的全息表示，在准确性、效率和鲁棒性之间取得了良好的平衡。HDC 模型已被证明在不同的学习应用中很有用，特别是在资源受限的环境中，例如日益普及的物联网 (IoT)。当前 HDC 工作中缺失的一类学习任务是图分类。图是最重要的信息表示形式之一，然而，迄今为止，HDC 算法尚未在一般意义上应用于图学习问题。此外，物联网和传感器网络中的图学习，由于计算能力有限，给整体设计方法带来了挑战。在本文中，我们提出了 GraphHD——一种使用 HDC 进行图分类的基线方法。我们在真实世界的图分类问题上评估了 GraphHD。我们的结果表明，与最先进的图神经网络 (GNNs) 相比，所提出的模型达到了可比的准确性，而训练和推理时间平均分别快了 14.6 倍和 2.0 倍。
引用
@article{arxiv.2205.07826,
title = {GraphHD: Efficient graph classification using hyperdimensional computing},
author = {Igor Nunes and Mike Heddes and Tony Givargis and Alexandru Nicolau and Alex Veidenbaum},
journal= {arXiv preprint arXiv:2205.07826},
year = {2022}
}