ProGNNosis：一种利用图度量预测 GNN 计算时间的数据驱动模型
机器学习
2022-06-17 v1
摘要
图神经网络（GNN）在处理图结构数据的问题中展现出巨大前景。GNN 的独特之处之一是其适应多种问题的灵活性，这不仅带来了广泛适用性，也在为特定问题寻找最佳模型或加速技术时提出了重要挑战。此类挑战的一个例子在于，GNN 模型或加速技术的准确性或有效性通常依赖于底层图的结构。在本文中，为解决图依赖加速问题，我们提出 ProGNNosis，一种数据驱动模型，可通过检查输入图度量来预测给定 GNN 模型在任意特征图上运行时的 GNN 训练时间。该预测基于先前使用多样化合成图数据集离线训练的回归模型。在实践中，我们的方法允许针对特定问题就使用何种设计做出明智决策。文中定义并应用了构建 ProGNNosis 的方法论于一个具体用例，其有助于决定哪种图表示更优。我们的结果表明，在 GCN、GIN、GAT 或 GraphSAGE 等多种广泛使用的 GNN 模型中，ProGNNosis 相比随机选取图表示实现了平均 1.22 倍的加速。
引用
@article{arxiv.2206.08258,
title = {ProGNNosis: A Data-driven Model to Predict GNN Computation Time Using Graph Metrics},
author = {Axel Wassington and Sergi Abadal},
journal= {arXiv preprint arXiv:2206.08258},
year = {2022}
}