Core Concepts
スパイキングニューロンを活用することで、グラフトランスフォーマーのエネルギー消費を大幅に削減しつつ、従来のグラフトランスフォーマーと同等の性能を実現する。
Abstract
本論文は、スパイキングニューロンを活用したグラフトランスフォーマー(SGHormer)を提案している。
まず、入力特徴量をスパイキングニューロンを用いてスパース化・バイナリ化する。これにより、メモリ使用量と計算コストを大幅に削減できる。
次に、スパイキンググラフ自己注意機構(SGSA)を導入する。SGSAは、スパイキングニューロンを用いて大域的な注意スコアを生成し、局所的な構造情報も捉えることができる。これにより、従来のグラフトランスフォーマーと同等の表現力を維持しつつ、計算コストを大幅に削減できる。
さらに、スパイキング整流ブロック(SRB)を設けることで、スパイキング出力から元の特徴量を近似的に復元できる。これにより、スパイキング表現の情報損失を抑制できる。
実験の結果、SGHormerは従来のグラフトランスフォーマーと比べて、大幅な省エネルギー化を実現しつつ、同等以上の性能を示すことができた。特に大規模なグラフデータに対して、その効果が顕著であった。
Stats
提案手法SGHormerは、従来のグラフトランスフォーマーと比べて、理論上のエネルギー消費が平均153倍低い。
SGHormerのパラメータサイズは、従来手法と比べて小さい。
Quotes
"スパイキングニューロンを活用することで、グラフトランスフォーマーのエネルギー消費を大幅に削減しつつ、従来のグラフトランスフォーマーと同等の性能を実現する。"
"SGHormerは従来のグラフトランスフォーマーと比べて、大幅な省エネルギー化を実現しつつ、同等以上の性能を示すことができた。特に大規模なグラフデータに対して、その効果が顕著であった。"