图神经网络(GNN)是近年来研究的一个热点,在各种应用中得到了广泛的应用。然而,随着使用更大的数据和更深入的模型,毫无疑问,迫切需要加速GNN以实现更高效的执行。在本文中,我们从算法的角度对GNN的加速方法进行了全面的研究。我们首先提出一种新的分类法,将现有的加速方法分为五类。在分类的基础上,对这些方法进行了系统的讨论,并重点讨论了它们之间的相关性。接下来,我们对这些方法的效率和特点进行了比较。最后,对未来的研究提出了展望。

论文链接:

https://arxiv.org/abs/2202.04822

本文从算法的角度对gnn的加速方法进行了全面的综述,重点介绍了算法层和模型层的改进。综上所述,我们的贡献如下:

1) 新分类(New Taxonomy):我们将现有方法分为五类,采用双层分类法,综合考虑优化因素和核心机制(见第2节)。 

2) 系统回顾:我们对现有的方法进行全面的综述,并对这些方法进行分类介绍。此外,我们着重讨论这些方法之间的共同点和独特之处(见第3节)。 

3) 综合比较: 我们对典型加速方法的训练时间性能进行总结,并进一步从整体上进行综合比较,其中特别突出了这些方法之间的相关性(见第4节)。 

4) 未来展望: 在总体比较的基础上,我们讨论了GNN加速的一些潜在前景,以供参考(见第5节)。

内容中包含的图片若涉及版权问题,请及时与我们联系删除