基于图的人工智能 (GraphAI) 涵盖使用图、对图进行操作或依赖图结构进行学习的 AI 问题。当代人工智能 (AI) 研究探索了如何利用图中的结构化知识来增强现有方法，以满足现实世界对透明度、可解释性和性能的要求。

表征 GraphAI 性能具有挑战性，因为图抽象、表示、算法和硬件加速技术的不同组合可能会引发不可预测的效率变化。尽管基准测试可以测试不同的 GraphAI 实现，但大多数基准测试目前无法捕捉有效性和效率之间的复杂相互作用，尤其是在动态和结构化知识图谱中。

这项工作提出了一种经验性的“灰盒”方法来进行 GraphAI 基准测试，提供了一种方法，可以在图抽象、表示、算法和硬件加速器的不同组合之间进行有效性和效率的实验性交易。系统的文献综述产生了 GraphAI 任务的分类法以及与 GraphAI 交互的智能和安全问题集合。分类法和问题调查指导了将经验计算机科学与约束理论融合在一起的框架的开发，这种基准测试方法不需要侵入性工作负载分析或代码检测。

我们正式化了一种开发以问题为中心的 GraphAI 基准测试的方法，并开发了一种从 OpenStreetMaps 数据创建图的工具，以填补基准测试输入所需的现实世界网格图数据集的空白。最后，这项工作为使用 GraphAI 基准问题开发方法开发的人口细分智能和安全问题提供了完整的基准测试。它提供了实验结果，验证了 GraphAI 基准测试框架在评估是否、如何以及何时将 GraphAI 加速应用于人口细分问题方面的实用性。

论文题目：A Framework for Benchmarking Graph-Based Artificial Intelligence

作者：Kent Daniel O’Sullivan

类型：2024年硕士论文

学校：University of Maryland, College Park（美国马里兰大学帕克分校）

下载链接：

链接: https://pan.baidu.com/s/1QbwuHdFJwz0vHrpCTdqrXA?pwd=w33u

硕博论文汇总：

链接: https://pan.baidu.com/s/1Gv3R58pgUfHPu4PYFhCSJw?pwd=svp5

图是一种富有表现力的数据结构，它将证据编码为顶点，将证据之间的上下文关系编码为边。作为现实世界的强大抽象，图非常适合学习和推理任务，这些任务涵盖了一个新兴的工作领域，我们称之为基于图的人工智能 (GraphAI)。我们在现有的人工智能领域对 GraphAI 进行分类，涵盖众所周知的图预测 (GP) [4-6] 和图挖掘 (GM) [7] 领域，并将其扩展到包括图问题解决 (GPS)、图推理 (GR)、图抽象 (GA) 和图透明度 (GT)，详见图 1.1。在这些领域中，GraphAI 包括结构分析、图推理等任务，以及将图应用于人工智能问题，如模型透明度、可解释性和可解释性。

GraphAI 分类法由六个 GraphAI 问题领域组成。每个问题领域的指示性任务以灰色表示。

尽管图具有表现力并广泛适用于各种 AI 问题，但它们给运行 GraphAI 的系统带来了巨大的计算负担。对图进行操作的智能算法通常具有二次或更差的复杂度，这限制了它们在包含数十亿或数万亿个顶点的真实世界图上的可用性。现代通用处理器使用缓存和预取来加速对大型非图输入的计算。图的挑战在于，大多数 GraphAI 算法在处理时利用了图的结构，这需要按拓扑顺序访问数据。该要求与图形存储相冲突，图存储通常按顶点创建的顺序按时间顺序排列，这意味着拓扑上接近的顶点不一定在内存中接近。如果没有缓存优势，GraphAI 算法依赖于从主内存检索的数据，这会导致内存延迟和带宽瓶颈，从而限制可扩展性并阻止 GraphAI 部署在可能从中受益的实际问题上。

GraphAI 挑战是依赖关系的层次结构，从根本上受图处理限制。

GraphAI 基准测试框架采用灰盒方法进行基准测试，设计输入以刺激输出的可观察变化，从而推断系统和实施细节。

GraphAI 基准设计方法用于创建以问题为中心的基准，展示方法输出如何映射到基准组件。

GraphAI 基准测试框架的高级视图。SUT 通过观察设备 API 与基准测试进行交互。

GraphAI 分类法将 GraphAI 任务分组为 GraphAI 问题和更广泛的 GraphAI 问题领域。

按顶点顺序简化表示有向图，其中每个顶点都按内存创建顺序添加（此处按字母顺序）。未显示边。

按顶点顺序简化表示有向图，其中每个顶点按内存创建顺序添加，属性单独存储。为清晰起见，未显示从拓扑到属性的指针，但对应于属性的首字母。

通用基准系统的基本组成部分。

对人口细分的计算方法进行调查，显示效率和有效性瓶颈。