摘要
针对有限的内存资源导致图神经网络(graph neural network,GNN)无法完全加载属性图的问题,文中提出了二值化身份感知图卷积神经网络(binary identify-aware graph convolutional net-work,BID-GCN).该网络通过在消息传递过程中递归地考虑节点的信息,为了获得一个给定的节点的嵌入,BID-GCN将提取以该节点为中心的自我网络,并进行多轮的异构消息传递,在自我网络的中心节点上应用与其他节点不同的参数.在消息传递过程中,对网络参数和输入节点特征进行二值化,并将原始的矩阵乘法修改为二值化以加速运算.通过理论分析和实验评估,BID-GCN可以减少网络参数和输入数据的平均约36倍的内存消耗,并加快引文网络上平均约49倍的推理速度,可以提供与全精度基线相当的性能,较好地解决内存资源有限的问题.
基金项目
国家自然科学基金(61806006)
中国博士后科学基金(2019M660149)
安徽省重点研发计划国际科技合作专项(202004b11020029)
安徽省高等学校协同创新项目(GXXT-2021-006)
合肥综合性国家科学中心能源研究院项目(19KZS203)
维普
万方数据