DiskGNN：为离核 GNN 训练提供 I/O 效率和模型准确性的桥接
原文中文，约1700字，阅读约需5分钟。
📝
内容提要
本文介绍了多种图神经网络（GNN）训练优化技术，如GPU Initiated Direct Storage Access (GIDS)、DistGNN和BatchGNN。这些方法显著提高了训练速度和效率，在大规模图数据上实现了高达392倍的加速，解决了存储和通信问题，推动了GNN的可扩展性和性能提升。
❓
Q&A
GPU Initiated Direct Storage Access (GIDS) 的主要功能是什么？
GIDS 主要用于解决图嵌入和采样问题，实现大规模图的 GPU 优先训练，训练加速最高可达 392 倍。
DistGNN 如何提高 GNN 训练的效率？
DistGNN 通过使用共享内存实现 CPU 集群上的完全批量训练，获得了 3.7 倍到 97 倍的加速。
BatchGNN 的优势是什么？
BatchGNN 通过减少冗余特征提取和缓存聚合输入特征，平均速度加快了 3 倍，适用于千兆字节级别的图形训练。
GraNNDis 是如何解决大图训练中的通信问题的？
GraNNDis 通过共享预加载、扩展感知采样和合作批处理技术，解决了大图和深层训练中的通信和内存问题。
DistDGL 系统的主要特点是什么？
DistDGL 是基于 Deep Graph Library 开发的分布式 GNN 训练系统，具有高效和可扩展性，能在 16 台机器上训练 100 万节点和 30 亿边数的图只需 13 秒。
CoFree-GNN 如何加速训练过程？
CoFree-GNN 通过实现无通信训练，利用顶点切分分区和修正的 DropEdge 技术，使训练速度最多提高 10 倍。
🏷️
