最新【图神经网络计算】2020综述论文，23页PDF

近年来，图神经网络(GNNs)由于具有建模和从图结构数据中学习的能力，在机器学习领域得到了迅猛发展。这种能力在数据具有内在关联的各种领域具有很强的影响，而传统的神经网络在这些领域的表现并不好。事实上，正如最近的评论可以证明的那样，GNN领域的研究已经迅速增长，并导致了各种GNN算法变体的发展，以及在化学、神经学、电子或通信网络等领域的突破性应用的探索。然而，在目前的研究阶段，GNN的有效处理仍然是一个开放的挑战。除了它们的新颖性之外，由于它们依赖于输入图，它们的密集和稀疏操作的组合，或者在某些应用中需要伸缩到巨大的图，GNN很难计算。在此背景下，本文旨在做出两大贡献。一方面，从计算的角度对GNNs领域进行了综述。这包括一个关于GNN基本原理的简短教程，在过去十年中该领域发展的概述，以及在不同GNN算法变体的多个阶段中执行的操作的总结。另一方面，对现有的软硬件加速方案进行了深入分析，总结出一种软硬件结合、图感知、以通信为中心的GNN加速方案。