- 变通信速率下的大规模图神经网络分布式训练
在分布式图神经网络训练中引入了一种变化的压缩方案，用于减少通信量而不降低学习模型的准确性，并通过理论分析和实证结果证明了其性能优于完全通信情况下的压缩比。
- 一种针对计算图学习设备放置的结构感知框架
我们提出了一个基于强化学习的新框架，用于任务设备放置，该框架利用从 OpenVINO 工具包中提取的较小的计算图，包括图粗化、节点表示学习和策略优化等五个步骤，并结合了图表示学习和个性化图划分的模型变种，通过使用推荐设备放置的执行时间来制定 - ACL通过成对生成和图分割探索关键点分析
Key Point Analysis, a novel approach for argument mining using pairwise generation and graph partitioning, surpasses pre - 一个针对最大 $s$- 束问题的带有新界限方法的有效分支限界算法
提出了一种新的基于图分割技术的上界方法（PUB），用于最大 s - 束问题（MBP）的精确算法中，同时使用初始下界和上界对图进行预处理和分支剪枝。通过与其他 BnB MBP 算法的实验证明了该算法的显著进展。
- GLISP: 基于图的内在结构属性的可扩展 GNN 学习系统
GLISP 是一个针对工业规模图的基于采样的 GNN 学习系统，通过利用图的内在结构特性解决了在图学习过程的不同阶段出现的可扩展性和性能问题，并且在训练和推断任务上相对于现有的 GNN 系统实现了 6.53 倍和 70.77 倍的加速，并能 - 利用均方最大流和 Kemeny 常数进行马尔可夫链图神经网络的大规模训练
我们提出了使用图神经网络解决 Markov 链描述的动力学网络的图划分问题，通过使用编码器 - 解码器架构和简单的 GraphSAGE-based GNNs 能够在这个背景下胜过更大更有表达力的基于注意力的模型。
- 通过图分割提升图神经网络的表达能力
图分区神经网络（GPNNs）是一种新颖的 GNN 架构，通过对图进行分区以及顶点集和子图之间的结构相互作用的探索，提高了 GNN 的表达能力，并在各种图基准任务中展示了超越现有 GNN 模型的卓越性能。
- 一种用于图划分中无监督图神经网络的新的可微损失函数
本研究引入了一种新颖的流程，利用无监督图神经网络来解决图分割问题，并提出了一个专门用于此目的的可微损失函数。对于当前先进技术，我们对度量指标：割边和平衡进行了严格评估，结果表明我们的方法具有竞争力。
- NeuroCUT: 面向鲁棒图分割的神经方法
通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。
- DGC: 使用图分块训练具有时空非均匀性的动态图
提出了 DGC，一个分布式的 DGNN 训练系统，通过新的图分区方法将动态图分解成具有适度训练工作量和少量互连的子图，实现了比我们实验室中最先进技术快 1.25 倍至 7.52 倍的加速。该算法基于图粗化，能够在大型图上快速运行，并通过提出 - 分布式图神经网络训练的分区策略实验比较
本文研究了图分区对分布式图神经网络训练的有效性，发现图分区是一个关键的预处理步骤，能够大大减少训练时间和内存占用，同时也证明了分区所需的时间可以通过减少图神经网络训练时间加以弥补。
- ICML图标贴：无中间通信的惊人简单并行 GNN 训练
本文提出了一种基于数据的模型汤算法，通过将巨大的图数据分割成多个相对较弱的 GNN，然后使用贪心插值汤过程组合它们的强度，从而改善 GNN 的扩展性能。在许多真实世界的小型和大型图上进行了广泛实验，结果表明该算法的有效性并且为 GNN 的扩 - 在强化学习中创建多级技能层次结构
基于图形结构的交互模式，提出了一种基于分层图划分的自主代理技能分层方法，该技能分层具有多层抽象和在强化学习中的实用性。
- 基于伪标签引导的互信息最大化网络的深度图聚类
本文提出了一种叫做 Deep Graph-Level Clustering (DGLC) 的算法，通过图同构网络学习图的表示来解决图的相似性度量问题和图的划分问题，并在六个基准数据集上展示出了其与现有算法相比具有领先的性能。
- AGO: 解除图优化限制，提升移动 AI 推理性能
该研究提出了 AGO，一种具有任意结构的图形优化框架，通过消除约束来提高深度模型的推理性能，并且能够有效地提高性能，包括设计一个图划分方案以实现任意子图结构，提出了强化运算符融合的机制以创造新的优化机会，以及提出了新颖的分治调整机制进行快速 - WWW对分区感知商品相似性进行微调，实现高效和可扩展的推荐
本研究探讨了建议系统中协同过滤、图卷积网络、物品相似性模型、图采样策略和图分区等方面，并提出了一种使用新的数据增强策略的新型物品相似性模型以提高效率。实验结果表明，该模型在性能上优于现有的 GCN 模型和物品相似性模型。
- 通过（超）图划分进行本地模体聚类
本文针对基于分布的局部聚类问题，提出了结合超图和图模型的新方法，通过组合优化算法求解，并在三角形图案实验中表现出了较高的性能表现。
- SUGAR: 基于资源感知图划分的高效子图级训练
通过资源感知的图分割 (SUGAR) 提出了根据子图级别进行有效训练的方法，在五个图基准测试上进行了实验，结果表明 SUGAR 可以在大规模图上实现高达 33 倍的运行时间加速和 3.8 倍的内存减少，为开发适合于物联网部署的资源有效的 G - 基于优先级的平衡图分区再流算法
介绍了一种新型的基于 restreaming 的算法，使用带有乘性权重的约束管理策略来优化流式过程的排序，同时借鉴了平衡标签传播的优先级概念来进行分区优化，得到了与现有算法相比在真实世界图上具有更好性能的结果。
- 通过 Gromov-Wasserstein 学习实现广义谱聚类
该研究通过使用热核在 Gromov-Wasserstein 的框架上实现了新的多尺度图比较，提出了一种通过最优输运来解决 k-cut 图分割问题的新方法，比当前最先进的 GWL 技术在真实世界网络上表现更佳。