IMA-GNN：边缘端集中式与去中心化图神经网络的存内加速
硬件体系结构
2023-03-27 v1
摘要
本文中，我们提出 IMA-GNN 作为一种用于集中式与去中心化图神经网络推理的存内加速器，探索其在两种设置下的潜力，并为面向灵活高效边缘计算的社区提供指导。利用 IMA-GNN，我们首先对边缘设备的计算与通信延迟进行建模。随后，我们给出基于 GNN 的出租车供需预测的实际案例研究，并采用四个大型图数据集定量比较与分析集中式与去中心化设置。我们的跨层仿真结果表明，平均而言，集中式设置下的 IMA-GNN 相比去中心化 GNN 设置可获得约 790 倍的通信加速。然而，去中心化设置的计算速度快约 1400 倍，同时降低了每设备的功耗。这进一步凸显了对混合半去中心化 GNN 方法的需求。
引用
@article{arxiv.2303.14162,
title = {IMA-GNN: In-Memory Acceleration of Centralized and Decentralized Graph Neural Networks at the Edge},
author = {Mehrdad Morsali and Mahmoud Nazzal and Abdallah Khreishah and Shaahin Angizi},
journal= {arXiv preprint arXiv:2303.14162},
year = {2023}
}
备注
6 pages, 8 Figures, 2 Tables