BriefGPT - AI 论文速递
·
保持传递性的图表示学习，以桥接局部连接性和基于角色的相似性
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文提出了一种统一的GNN稀疏化框架，通过剪枝图邻接矩阵和模型权重来加速大规模图上的GNN推理。同时将lottery ticket假设推广到GNN，并定义了图lottery ticket作为核心子数据集和稀疏子网络对的一对。实验证明，在不影响预测性能的前提下，GLT能够在各种GNN架构和不同任务的数据集上实现MACS节约。
🎯
关键要点
- 提出了一种统一的 GNN 稀疏化框架 (UFG)。
- 通过剪枝图邻接矩阵和模型权重来加速 GNN 推理。
- 将 lottery ticket 假设推广到 GNN，定义了图 lottery ticket (GLT)。
- GLT 是核心子数据集和稀疏子网络对的一对。
- 通过迭代应用 UFS 联合鉴定从原始 GNN 和全密集图中提取 GLT。
- 实验表明，GLT 在不影响预测性能的前提下能够实现 MACS 节约。
- GLT 在各种 GNN 架构和不同任务的数据集上均有效。
🏷️
标签
➡️
