FIT-GNN：利用粗化实现内存适配的GNN更快推理时间
机器学习
2026-04-13 v5 机器学习
摘要
图神经网络（GNNs）的可扩展性仍是一个重大挑战。为解决此问题，粗化、压缩和计算树等方法被用于在更小的图上进行训练，从而实现更快的计算。然而，先前的研究并未充分解决推理阶段的计算成本。本文提出了一种新方法，通过使用图粗化减少推理阶段的计算负担来提高GNN的可扩展性。我们展示了两种不同的方法——额外节点和聚类节点。我们的研究将图粗化的应用扩展到图级任务，包括图分类和图回归。我们在多个基准数据集上进行了大量实验，以评估我们方法的性能。结果表明，与传统方法相比，所提方法在单节点推理时间上实现了数量级的改进。此外，它显著减少了节点和图分类及回归任务的内存消耗，使得在传统方法不可行的低资源设备上也能进行高效训练和推理。值得注意的是，这些计算优势是在保持与基线模型相当的性能的同时实现的。
引用
@article{arxiv.2410.15001,
title = {FIT-GNN: Faster Inference Time for GNNs that 'FIT' in Memory Using Coarsening},
author = {Shubhajit Roy and Hrriday Ruparel and Kishan Ved and Anirban Dasgupta},
journal= {arXiv preprint arXiv:2410.15001},
year = {2026}
}
备注
Published in Transactions on Machine Learning Research (TMLR), 2026. Available at https://openreview.net/forum?id=g7r7y2I7Sz