图神经网络的剪枝与量化影响
机器学习
2025-10-28 v1
摘要
图神经网络（GNN）因在从图结构数据中学习方面具有高准确率而广受欢迎，但也因高计算和资源成本而面临挑战。神经网络压缩方法用于在保持合理准确率的同时减小模型大小。剪枝和量化是两种常见的神经网络压缩技术。本研究对三种剪枝方法和三种量化方法在不同GNN模型上的效果进行经验性检验，包括图分类任务、节点分类任务和链接预测。我们在三个图数据集（Cora、Proteins、BBBP）上完成所有实验。我们的发现表明，无结构细粒度和全局剪枝能够显著减小模型大小（50%），在对剪枝模型进行微调后可保持甚至提升精度。对不同GNN模型的量化方法评估显示，其对准确率、推理时间和模型大小的影响在不同数据集之间呈现多样性。
引用
@article{arxiv.2510.22058,
title = {Pruning and Quantization Impact on Graph Neural Networks},
author = {Khatoon Khedri and Reza Rawassizadeh and Qifu Wen and Mehdi Hosseinzadeh},
journal= {arXiv preprint arXiv:2510.22058},
year = {2025}
}