GNNNavigator 是一个自适应的 GNN 训练配置优化框架，它能够通过软硬件统一抽象、GNN 训练性能模型和设计空间探索解决方案来满足不同 GNN 应用需求，实验结果显示，GNNNavigator 可以实现长达 3.1 倍的加速和 44.9% 的峰值内存减少，并且达到与最先进方法相当的准确性。

Apr, 2024

图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构，同时扩展了对图神经网络领域中新型模型的探索，旨在提供不仅高性能而且能适应图计算发展的多功能加速器。

Dec, 2023

本文提出 AdaptGear 系统，旨在通过在子图层面上利用与密度特征相匹配的核心来优化 GNN 的性能，同时提出一种方法动态选择给定输入图形的最佳核心集，评估表明 AdaptGear 可以在各种数据集上实现显着的性能改进，最高可达 6.49 倍（平均 1.87 倍）

May, 2023

本文介绍了 GNNBuilder，这是第一个自动化的、通用的、端到端的 GNN 加速器生成框架，支持各种由用户任意定义的 GNN 模型，并拥有精确的性能模型和设计空间探索功能。实验结果显示，GNNBuilder 生成的加速器可以比 CPU 快 6.33 倍，比 GPU 快 6.87 倍。

Mar, 2023

本次调查报告提供了图神经网络加速的分类法，并回顾了现有方法，并提出了未来的研究方向，以便统一视图和解决相关工作的复杂性。

Jun, 2023

该研究论文通过对 GNNs 的计算效率进行探讨，提供了该领域的回顾，包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结；同时，提供了对当前软件和硬件加速方案的深入分析，并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。

Sep, 2020

本文提出了 MaxK-GNN，一个高性能的 GPU 训练系统，通过集成算法和系统创新来实现。在 MaxK-GNN 系统的广泛评估中，实验结果显示其接近 Amdahl 法则的理论极限，相对于 DGL 和 GNNAdvisor 的实现，在 Reddit 上实现了 3.22/4.24 倍的速度提升（相对于理论极限的 5.52/7.27 倍），并且达到了与 SOTA GNN 相当的准确性。

Dec, 2023

本文从算法角度提供了 GNNs 加速方法的综合调查，提出了包括五类在内的分类方法，并对这些方法进行了系统讨论和比较，最后为未来研究提出了一些有前途的前景。

Feb, 2022

Accel-GCN 是一种针对 Graph Convolutional Networks 的 GPU 加速器架构，通过轻量级的节点排序、块级分区策略、以及组合的 warp 策略，优化了 GCN 的计算效率，并在 18 个基准图上表现出比 cuSPARSE、GNNAdvisor 和 graph-BLAST 分别高出 1.17 倍、1.86 倍和 2.94 倍的性能。

Aug, 2023

GNNGuard 是一个通用的算法，可以防御基于离散图形结构的多种训练时攻击，利用图形结构和节点特征之间的关系减轻攻击的负面影响，通过将更高的权重分配给连接相似节点的边，修剪不相关节点之间的边，这种方法在不同数据集和攻击条件下表现出 15.3％的优越性。

Jun, 2020