超级会员免费看
本文探讨了图神经网络在大规模图数据上的训练挑战，特别是在社交网络、生物化学和风险控制等领域的重要应用。幻方AI利用3FS、hfreduce等工具，通过分布式训练方法优化DeepGCNs在OGB数据集上的实验，实现GNN模型的加速训练，并分享了详细的技术实现过程。
图（Graph）数据在现实世界中非常常见，例如社交网络、交通网络、物理系统等等，近几年图神经网络的发展将图数据的分析与深度神经网络结合，在越来越多的领域发挥出重要的作用，例如电商推荐、生物化学结构分析、反恐反诈风险控制等等。数据规模也呈现越来越大之势，动辄上千万节点规模的图，让很多图神经网络的训练需要探寻并行计算的方式以加速。
然而，图数据与视觉、自然语言等领域的数据不同，没有划分好的训练样本，很多情况下训练样本是从一个巨大的图中去随机采样，特征也需要在采样的过程中遍历邻接节点，这种天然特性使得对大规模图的并行训练并不容易。
幻方AI最近尝试对图神经网络的并行训练进行优化，以 OGB 图数据集作为训练样本，在幻方萤火集群上复现 DeepGCNs 的实验。基于幻方自研的3FS、
订阅专栏 解锁全文
扫一扫
9870
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
