LazyGNN：基于惰性传播的大规模图神经网络
机器学习
2023-06-02 v2
摘要
近期的研究已表明，通过更深的图神经网络（GNNs）捕获图中的长距离依赖具有诸多优势。但更深的 GNN 由于大规模图中的邻域爆炸问题，面临着长期的可扩展性挑战。在本工作中，我们提出通过更浅的模型而非更深的模型来捕获图中的长距离依赖，从而得到一个高效得多的图表示学习模型 LazyGNN。此外，我们证明了 LazyGNN 与现有的可扩展方法（如采样方法）兼容，可通过开发小批量 LazyGNN 实现进一步加速。综合实验证明了其在大规模基准上的优越预测性能与可扩展性。LazyGNN 的实现见 https://github.com/RXPHD/Lazy_GNN。
引用
@article{arxiv.2302.01503,
title = {LazyGNN: Large-Scale Graph Neural Networks via Lazy Propagation},
author = {Rui Xue and Haoyu Han and MohamadAli Torkamani and Jian Pei and Xiaorui Liu},
journal= {arXiv preprint arXiv:2302.01503},
year = {2023}
}