STAG:通过动态图实现 GNN-based 服务的低延迟和低陈旧度
SAT 是一种新颖的可扩展分布式 GNN 训练框架,通过建立包括时序图模型以预测未来嵌入的模型,有效减轻了缓存历史嵌入的陈旧问题,从而在多个大规模图数据集上实现了更好的性能和收敛速度。
Aug, 2023
本研究提出了一种新的空间 - 时间神经网络体系结构,称为 Spatial-Temporal Graph-Informer (STGIN),通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取,以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证,表明这种模型具有长序列预测能力。
Oct, 2022
本研究提出了可扩展和自适应图神经网络(SAGN),采用基于注意机制的邻域信息聚集和自我 - 标签增强框架(SLE),以结合半监督的节点标签训练。实验结果表明,相比其他基于采样和非采样的方法,SAGN 实现了更好或相当的结果,并且 SLE 可以进一步提高性能。
Apr, 2021
大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战,但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程,并通过简单的超参数灵活管理准确性和时延之间的平衡。此外,我们进一步提出了 Inception Distillation 来弥补推断准确性损失,实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。
Oct, 2023
提出了一种基于成熟基础架构的可扩展、容错和集成训练和推理的 AGL 系统,采用图传递机制和 MapReduce 算法来训练和推理图神经网络,同时通过生成每个节点的信息完整子图以及在参数服务器上训练来解决图形结构中的数据依赖性问题。
Mar, 2020
研究动态图中节点聚类的问题,提出一种捕捉图中节点之间连接和集群成员关系动态变化的动态随机块模型,基于加权连接的简单衰减聚类算法。该算法通过优化衰减率实现几乎完美复原真实群集,并使用该算法提出了两种新的半监督图聚类算法。
Dec, 2020
本研究提出了一种名为 'graph-sprints' 的通用特征提取框架,针对连续时间动态图(CTDGs)具有低延迟性和与最先进的高延迟模型相竞争的能力,并通过机器学习结合图形功能的方法,实现了优秀的性能表现。
Jul, 2023
该研究使用图神经网络(GNNs)探索了在群体机器人中进行分散控制的方法,提出了一种名为 STGNN 的时空 GNN 模型,通过空间和时间的扩展收集和整合更广泛的信息,证明了其在实现凝聚性集群行为、领导跟随和障碍物避让任务方面的潜力。
Sep, 2023
本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化,发现图神经网络的独特计算模式含有二次次模性质,在此基础上设计了基于图切割的迭代解法,并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。
Oct, 2022
本文提出了一个新的方法,即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN),将时间信息嵌入节点嵌入向量中,取得了比现有的时间图方法更好的预测性能和在线推理延迟。
Apr, 2023