用于提升效率与可扩展性的 GNN 转换框架
机器学习
2022-07-26 v1
摘要
我们提出一个框架，可自动将不可扩展的 GNN 转换为基于预计算的 GNN，从而在大尺度图上高效且可扩展。我们的框架具有双重优势：1）通过在图卷积中将局部特征聚合与权重学习分离，将各种不可扩展的 GNN 转换为能良好扩展至大尺度图的模型；2）通过将其边分解为小的互不相交且均衡的集合，在 GPU 上高效执行大尺度图的预计算。通过对大尺度图的广泛实验，我们证明转换后的 GNN 在训练时间上比现有 GNN 更快，同时达到与最先进 GNN 相竞争的精度。因此，我们的转换框架为未来可扩展 GNN 的研究提供了简单而高效的基线。
引用
@article{arxiv.2207.12000,
title = {GNN Transformation Framework for Improving Efficiency and Scalability},
author = {Seiji Maekawa and Yuya Sasaki and George Fletcher and Makoto Onizuka},
journal= {arXiv preprint arXiv:2207.12000},
year = {2022}
}
备注
Accepted to ECML-PKDD 2022