基于自适应稀疏化图的图卷积网络加速方法
知识产权简介
本发明旨在提出一种可以自适应地稀疏化图结构的方法,通过去除输入图结构中与任务无关的边来加速图神经网络的计算。我们采用了一个边预测模块,通过在训练阶段分别自适应地学习每个GCN层的下游任务反馈信号来获得边选择策略,然后在推理阶段只对所选择的边进行计算,以加速GCN的计算速度。实验结果表明,在公共的图学习任务测试基准上,相对于现有的模型,我们的方法在CPU上能够加速43%,在GPU上能够加速39%。
本发明旨在提出一种可以自适应地稀疏化图结构的方法,通过去除输入图结构中与任务无关的边来加速图神经网络的计算。我们采用了一个边预测模块,通过在训练阶段分别自适应地学习每个GCN层的下游任务反馈信号来获得边选择策略,然后在推理阶段只对所选择的边进行计算,以加速GCN的计算速度。实验结果表明,在公共的图学习任务测试基准上,相对于现有的模型,我们的方法在CPU上能够加速43%,在GPU上能够加速39%。