通用图信息层的稀疏化实现
机器学习
2024-03-21 v1 数值分析
数值分析
摘要
图神经网络（Graph Neural Networks, GNNs）已成为在图结构数据上进行学习任务的有效工具。近期，图信息（Graph-Informed, GI）层被引入以处理图节点上的回归任务，将其适用性扩展到经典 GNN 之外。然而，现有的 GI 层实现因密集内存分配而缺乏效率。本文提出了一种 GI 层的稀疏化实现，利用邻接矩阵的稀疏性显著降低内存使用。此外，还引入了一种通用的 GI 层形式，使其能够应用于图节点的子集。所提出的稀疏化实现提高了 GI 层的具体计算效率和可扩展性，允许构建更深的图信息神经网络（Graph-Informed Neural Networks, GINNs），并促进其扩展到更大的图。
引用
@article{arxiv.2403.13781,
title = {Sparse Implementation of Versatile Graph-Informed Layers},
author = {Francesco Della Santa},
journal= {arXiv preprint arXiv:2403.13781},
year = {2024}
}