SUGAR：基于资源感知图划分的高效子图级训练
机器学习
2022-02-18 v3 人工智能
摘要
图神经网络（GNNs）已在多种基于图的应用中展现出巨大潜力，如推荐系统、药物发现和物体识别。尽管如此，资源高效的 GNN 学习鲜有探索，尽管其对边缘计算与物联网（IoT）应用益处颇多。为改善此现状，本文提出基于资源感知图划分的高效子图级训练（SUGAR）。SUGAR 首先将初始图划分为一组不相交子图，随后在子图级执行本地训练。我们提供理论分析，并在五个图基准上开展广泛实验以验证其实际效能。结果表明，SUGAR 在大规模图上可实现高达 33 倍的运行加速与 3.8 倍的内存缩减。我们认为 SUGAR 开辟了面向资源高效、从而适于物联网部署的 GNN 方法研究新方向。
引用
@article{arxiv.2202.00075,
title = {SUGAR: Efficient Subgraph-level Training via Resource-aware Graph Partitioning},
author = {Zihui Xue and Yuedong Yang and Mengtian Yang and Radu Marculescu},
journal= {arXiv preprint arXiv:2202.00075},
year = {2022}
}