Belangrijkste concepten
グラフニューラルネットワーク(GNN)の計算集約的な部分をエッジに、計算効率的な部分をデバイスに割り当てることで、デバイス-エッジ共同推論の潜在能力を最大限に引き出すことができる。
Samenvatting
本論文では、GCoDE、GNNの自動設計とデバイス-エッジ共同推論システムへの展開を目的とした初めての枠組みを提案している。
- GCoDE は、アーキテクチャ設計とマッピング手法の共同最適化を行う。通信プロセスをGNN演算として明示的に扱うことで、アーキテクチャ設計とマッピング手法の分離を回避し、効率的な共同推論を実現する。
- GCoDeは、ヘテロジニアスなデバイス-エッジシステムにおけるGNNの性能を正確に評価する手法を提案している。GINベースの性能予測器と、コスト推定手法を組み合わせることで、効率的な探索を可能にしている。
- 広範な実験の結果、GCoDeは既存手法と比較して最大44.9倍の高速化と98.2%のエネルギー削減を達成している。
Statistieken
GCoDeは、Jetson TX2とNvidia 1060の組み合わせで最大44.9倍の高速化を実現した。
GCoDeは、Jetson TX2とIntel i7の組み合わせで最大98.2%のエネルギー削減を実現した。
Citaten
"GCoDE は、GNNの自動設計とデバイス-エッジ共同推論システムへの展開を目的とした初めての枠組みである。"
"GCoDeは、ヘテロジニアスなデバイス-エッジシステムにおけるGNNの性能を正確に評価する手法を提案している。"
"GCoDeは、広範な実験の結果、既存手法と比較して最大44.9倍の高速化と98.2%のエネルギー削減を達成している。"