Sparse Implementation of Versatile Graph-Informed Layers

图神经网络（GNNs）已成为学习图结构数据任务的有效工具。最近，引入了图信息层（GI）来解决图节点回归任务，扩展了它们的适用性超出了经典的GNNs。然而，现有的GI层实现由于密集的内存分配而缺乏效率。本文提出了一种稀疏实现GI层的方法，利用邻接矩阵的稀疏性显著减少了内存使用量。此外，还引入了一种通用的GI层形式，使其能够应用于图节点的子集。所提出的稀疏实现改善了GI层的具体计算效率和可扩展性，允许构建更深的图信息神经网络（GINNs），并促进它们在更大的图上的可扩展性。

本论文旨在提出一种稀疏的Graph-Informed（GI）层实现，以解决现有GI层中存在的内存分配密集的问题，并扩展其应用范围，使其适用于更大的图形数据集。

本论文提出了一种稀疏的GI层实现，利用邻接矩阵的稀疏性显著减少了内存使用，并引入了一种通用的GI层形式，使其适用于图形节点的子集。

本论文的实验设计充分，使用了多个数据集进行验证，并开源了代码。稀疏的GI层实现显著提高了计算效率和可扩展性，使得可以构建更深的Graph-Informed神经网络（GINN），并便于其扩展到更大的图形数据集。

最近的相关研究包括：1. Graph Convolutional Networks (GCNs)；2. Graph Attention Networks (GATs)；3. GraphSAGE；4. Diffusion Convolutional Recurrent Neural Network (DCRNN)。