BLISS：图神经网络的多臂老虎机图层重要性抽样策略
机器学习
2025-12-30 v1 人工智能
社会与信息网络
最优化与控制
机器学习
摘要
图神经网络 (GNN) 是从图结构数据中学习的强大工具，但其大规模图的应用受到计算成本的限制。对每个节点的每个邻居进行处理的需求造成了内存和计算瓶颈。为此，我们引入了 BLISS，即多臂老虎机图层重要性抽样策略。它使用多臂老虎机在每层动态选择最具信息性的节点，平衡探索与开发，以确保图的全面覆盖。不同于现有的静态抽样方法，BLISS 适应于不断变化的节点重要性，导致更有信息性的节点选择和 improved performance。它通过集成到图卷积网络 (GCN) 和图注意力网络 (GAT)，适应其特定的聚合机制，显示出其广泛的可集成性。实验表明，BLISS 在保持或超越全批次训练的准确率方面表现出色。
引用
@article{arxiv.2512.22388,
title = {BLISS: Bandit Layer Importance Sampling Strategy for Efficient Training of Graph Neural Networks},
author = {Omar Alsaqa and Linh Thi Hoang and Muhammed Fatih Balin},
journal= {arXiv preprint arXiv:2512.22388},
year = {2025}
}
备注
Accepted for 5th Muslims in ML Workshop co-located with NeurIPS 2025. OpenReview: https://openreview.net/forum?id=VaHubA7Pwv Code: https://github.com/linhthi/BLISS-GNN