Graphiler系列（一）：略读概述，掌握核心大意

Graphiler系列（一）：略读概述，掌握核心大意

1、分析题目：

• 目的：优化图神经网络

• 方法：消息传递数据流图MP-DFG

2、机构：【上海科技大学】 会议：【MLSys】

3、相关参考资料

消息传递资料：

• 消息传递图神经网络(Message Passing Neural Networks,MPNN) | 冬于的博客 (ifwind.github.io)

• (77条消息) [Scene Graph] 图神经网络的核心方法——Message Passing_风中摇曳的小萝卜的博客-CSDN博客

Graphiler资料：

• Graphiler 和 MLSys 2022 见闻 - 知乎 (zhihu.com)

• (77条消息) 图神经网络设计中的算子融合策略_PaperWeekly的博客-CSDN博客

4、概述

• 解决问题： 图神经网络的灵活性（易于编程）和高性能是矛盾的。

• 问题描述： 目前的GNN框架基于消息传递范式。使用内置原语和用户自定义函数UDF来简洁地表达GNN模型。内置原语提供高性能，但表现力有限；UDF具有灵活性，但性能低且占用过多内存。

• 解决方法： Graphiler —— 用于GNNs的编译器栈，提供UDF编程接口灵活性的同时实现了高性能。

• 方法核心： MP-DFG（消息传递数据流图，一种新抽象）

  • 作用：

    • 实现大幅减少计算冗余和内存占用的优化

    • 在统一的框架下优化同构和异构GNN

  • 实验结果：可以将UDF GNNs加速至两个数量级。获得接近于专家实现性能。节省大量内存。