DAFOS：动态自适应 fanout 优化采样器
机器学习
2025-07-15 v1 人工智能
摘要
图神经网络（GNNs）正成为学习图结构数据的 essential tool，但uniform neighbor sampling和static fanout设置经常限制GNNs的可扩展性和效率。本文提出了一种 novel approach，即动态自适应 fanout 优化采样器（DAFOS），动态根据模型性能调整 fanout，并在训练期间优先处理重要节点。我们的method利用基于节点度的node scoring来聚焦计算资源于结构上重要的节点，随着模型训练进行逐步增加 fanout。DAFOS还集成了early stopping机制，以在性能增益减小时停止训练。在三个基准数据集上进行的实验表明，我们的方法显著提高了训练速度和准确率，优于最新的method。DAFOS在ogbn-arxiv数据集上实现3.57倍加速，在Reddit数据集上实现12.6倍加速，同时将ogbn-arxiv的F1分数从68.5%提高到71.21%，将ogbn-products的F1分数从73.78%提高到76.88%。这些结果凸显了DAFOS作为大规模GNN训练的高效且可扩展solution的潜力。
关键词
引用
@article{arxiv.2507.08845,
title = {DAFOS: Dynamic Adaptive Fanout Optimization Sampler},
author = {Irfan Ullah and Young-Koo Lee},
journal= {arXiv preprint arXiv:2507.08845},
year = {2025}
}