ترجمه فارسی مقاله D3-GNN: جریان داده های توزیع شده پویا برای شبکه های عصبی گراف جریانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی D3-GNN: Dynamic Distributed Dataflow for Streaming Graph Neural Networks
عنوان مقاله به فارسی D3-GNN: جریان داده های توزیع شده پویا برای شبکه های عصبی گراف جریانی
نویسندگان Rustam Guliyev, Aparajita Haldar, Hakan Ferhatosmanoglu
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Distributed, Parallel, and Cluster Computing,Artificial Intelligence,Machine Learning,محاسبات توزیع شده , موازی و خوشه ای , هوش مصنوعی , یادگیری ماشین
توضیحات Submitted 10 September, 2024; originally announced September 2024. , Comments: 14 pages, 7 figures, published at VLDB'24 , Journal ref: Proc. VLDB Endow. 17, 11 (2024), 2764-2777
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 14 صفحه ، 7 شکل ، منتشر شده در VLDB'24 ، مجله Ref: Proc.endow vldb.17 ، 11 (2024) ، 2764-2777
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Graph Neural Network (GNN) models on streaming graphs entail algorithmic challenges to continuously capture its dynamic state, as well as systems challenges to optimize latency, memory, and throughput during both inference and training. We present D3-GNN, the first distributed, hybrid-parallel, streaming GNN system designed to handle real-time graph updates under online query setting. Our system addresses data management, algorithmic, and systems challenges, enabling continuous capturing of the dynamic state of the graph and updating node representations with fault-tolerance and optimal latency, load-balance, and throughput. D3-GNN utilizes streaming GNN aggregators and an unrolled, distributed computation graph architecture to handle cascading graph updates. To counteract data skew and neighborhood explosion issues, we introduce inter-layer and intra-layer windowed forward pass solutions. Experiments on large-scale graph streams demonstrate that D3-GNN achieves high efficiency and scalability. Compared to DGL, D3-GNN achieves a significant throughput improvement of about 76x for streaming workloads. The windowed enhancement further reduces running times by around 10x and message volumes by up to 15x at higher parallelism.

چکیده به فارسی (ترجمه ماشینی)

مدل های شبکه عصبی نمودار (GNN) در نمودارهای جریان مستلزم چالش های الگوریتمی برای ضبط مداوم وضعیت پویا آن ، و همچنین چالش های سیستم برای بهینه سازی تأخیر ، حافظه و توان در هنگام استنباط و آموزش است.ما D3-GNN را ارائه می دهیم ، اولین سیستم GNN توزیع شده ، هیبریدی-موازی ، جریان یافته برای رسیدگی به روزرسانی های نمودار در زمان واقعی در تنظیم پرس و جو آنلاین.سیستم ما به چالش های مدیریت داده ها ، الگوریتمی ها و سیستم ها می پردازد و امکان ضبط مداوم وضعیت پویا نمودار و به روزرسانی بازنمایی گره ها با تحمل گسل و تأخیر بهینه ، تعادل بار و توان را فراهم می کند.D3-GNN از جمع کننده های GNN جریان و یک معماری نمودار محاسباتی بدون کنترل و توزیع شده برای رسیدگی به به روزرسانی های نمودار آبشار استفاده می کند.برای مقابله با اطلاعات مربوط به انفجار داده ها و انفجار محله ، راه حل های عبور به جلو پنجره بین لایه ای و داخل لایه را معرفی می کنیم.آزمایشات روی جریانهای نمودار در مقیاس بزرگ نشان می دهد که D3-GNN به راندمان و مقیاس پذیری بالا می رسد.در مقایسه با DGL ، D3-GNN به بهبود قابل توجهی در حدود 76x برای بارهای کاری جریان می یابد.پیشرفت پنجره بیشتر زمان در حال اجرا را در حدود 10 برابر کاهش می دهد و حجم پیام تا 15 برابر در موازی سازی بالاتر.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.