科研之友
微信
新浪微博
Facebook
分享链接
摘要
图神经网络是当前阶段图机器学习的主流工具，发展势头强劲。通过构建抽象图结构，运用图神经网络模型能够高效的处理多种应用场景下的问题，包括节点预测、链接预测和图分类等方向。与之相对应的，一直以来，在大规模图上的应用是图神经网络训练中的关键点和难点，如何有效地快速地在大规模图数据上进行图神经网络的训练和部署是阻碍图神经网络进一步工业化应用的一大难题。图神经网络因为能够利用图的网络结构的拓扑信息，从而在如节点预测的赛道上能够取得比一般其他神经网络如多层感知机等更好的效果，但是图的网络结构的节点个数和边的条数的规模增长制约了图神经网络的训练，真实数据集的节点数量规模有千万甚至亿之大，或者是部分稠密的网络结构中边的数量规模亦达到了千万级别，使得传统的图神经网络训练方法均难以直接取得成效。针对以上问题，改进并提出了基于图粗化算法的新的图神经网络训练框架，并在此基础上提出了两种具体的训练算法，同时配合提出了两种简单的启发式图粗化算法。在精度损失可以接受和内存空间消耗大大降低的保证下，提出的算法能够进一步显著的降低图神经网络的计算和训练时间。实验结果表明在常见数据集上均能取得令人满意的成绩。
- 出版日期2023
- 单位复旦大学
