10.19734/j.issn.1001-3695.2019.03.0130
基于图划分抽样算法的图表示学习
在基于神经网络的图表示算法中,当节点属性维度过高、图的规模过大时,从内存到显存的数据传输会成为训练性能的瓶颈.针对这类问题,该方法将图划分算法应用于图表示学习中,降低了内存访问的I/O开销.该方法根据图节点的度数,将图划分成若干个块,使用显存缓存池存储若干个特征矩阵块.每一轮训练,使用缓存池中的特征矩阵块,以此来减少内存到显存的数据拷贝.针对这一思想,该方法使用基于图划分的抽样算法,设计显存的缓存池来降低内存的访问,运用多级负采样算法,降低训练中负样本采样的时间复杂度.在多个数据集上,与现有方法对比发现,该方法的下游机器学习准确率与原算法基本一致,训练效率可以提高2~7倍.实验结果表明,基于图划分的图表示学习能高效训练模型,同时保证节点表示向量的测试效果.今后的课题可以使用严谨的理论证明,阐明图划分模型与原模型的理论误差.
图划分、图表示学习、图抽样、图神经网络
37
TP183(自动化基础理论)
国家重点研发计划资助项目2018YFB1003505
2020-10-26(万方平台首次上网日期,不代表论文的发表时间)
共6页
2586-2590,2599