Acceleration Algorithms in GNNs: A Survey

图神经网络（GNNs）已经在各种基于图的任务中展示了有效性。然而，它们在训练和推理效率上的低下，对于实际应用和大规模图应用的扩展提出了挑战。为了解决这些关键挑战，提出了一系列算法来加速GNNs的训练和推理，吸引了研究界越来越多的关注。本文系统地回顾了GNNs加速算法，可以根据目的分为三个主要主题：训练加速、推理加速和执行加速。具体而言，我们总结和分类了每个主要主题的现有方法，并提供了每个类别中方法的详细特征描述。此外，我们回顾了几个与GNNs加速算法相关的库，并讨论了我们的可扩展图学习（SGL）库。最后，我们提出了未来研究的有前途的方向。完整的摘要在我们的GitHub存储库中提供：https://github.com/PKU-DAIR/SGL/blob/main/Awsome-GNN-Acceleration.md。

本论文旨在解决图神经网络（GNN）在训练和推理中的低效性问题，以便将其扩展到实际世界和大规模图形应用中。

论文提出了三种加速GNN的算法：训练加速、推理加速和执行加速。这些算法在现有的研究基础上提出了新的思路，从而提高了GNN的效率。

论文对每个主要主题的现有方法进行了总结和分类，并提供了详细的特征描述。此外，论文还回顾了几个与GNN加速算法相关的库，并讨论了Scalable Graph Learning（SGL）库。该论文提出了未来研究的有前途的方向。

最近的相关研究包括《Graph Convolutional Neural Networks for Web-Scale Recommender Systems》、《Semi-Supervised Classification with Graph Convolutional Networks》、《FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling》等。