无回声标签式预计算：面向内存高效异构图学习

异构图神经网络（HGNNs）广泛用于深学习处理异构图。典型的端到端 HGNNs 在训练期间需要重复进行消息传递，限制了大规模实际图的效率。基于预计算的 HGNNs 通过在预处理阶段仅进行一次消息传递，将邻居信息收集到规则形状的张量中，从而实现高效的 mini-batch 训练。标签式预计算方法收集邻居标签信息，但因训练标签泄漏问题而受限——即在多跳消息传递期间，节点自身的标签信息会回传到自身，导致回声效应。现有缓解策略在大型图上内存效率低下，或与先进的消息传递方法存在兼容性问题。我们提出无回声标签式预计算（Echoless-LP），通过分区聚焦无回声传递（PFEP）消除训练标签泄漏。PFEP 将目标节点分区，并执行无回声传递，使各分区内的节点仅从其他分区中的邻居收集标签信息，从而避免回声，同时保持内存高效且与任意消息传递方法兼容。我们还引入了非对称分区方案（APS）和 PostAdjust 机制，以解决分区导致的信息损失以及分区间分布迁移问题。在公开数据集上的实验表明，Echoless-LP 在性能和内存效率方面均优于基线方法。