采样与聚合图神经网络中采样算法的硬件加速
机器学习
2022-09-08 v1 硬件体系结构
摘要
采样是许多 GNN 结构中的重要过程，用以更小计算复杂度训练更大数据集。然而，与 GNN 中其他过程（如聚合、反向传播）相比，采样过程仍耗费大量时间，限制了训练速度。为减少采样时间，硬件加速是理想选择。但最先进的 GNN 加速方案未指明如何加速采样过程。此外，直接加速传统采样算法会使加速器结构极为复杂。本工作中我们作出两点贡献：（1）提出一种新的邻居采样器：CONCAT Sampler，可在硬件层面轻松加速且保证测试精度。（2）设计了基于 FPGA 的 CONCAT-sampler-accelerator，使邻居采样过程相比无该加速器时提速约 300-1000 倍。
引用
@article{arxiv.2209.02916,
title = {Hardware Acceleration of Sampling Algorithms in Sample and Aggregate Graph Neural Networks},
author = {Yuchen Gui and Boyi Wei and Wei Yuan and Xi Jin},
journal= {arXiv preprint arXiv:2209.02916},
year = {2022}
}