PulseAugur
中
实时 01:15:05
English(EN) FAST: A Holistic Framework for Optimizing Memory-I/O, Computation, and Sampling in Temporal GNN Training

FAST框架加速时序图神经网络训练

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了FAST，一个旨在优化时序图神经网络（TGNN）训练的新框架。TGNN在推荐和社交网络分析等领域分析动态图至关重要，但其训练受到内存I/O、计算和采样瓶颈的阻碍。FAST通过整体优化这些阶段来解决这些问题，引入SlimCache以在GPU约束下进行高效内存管理，并采用专门的算子来处理稀疏时序子图。该框架还利用拓扑感知采样策略来提高CPU缓存局部性。实验表明，FAST在不影响模型准确性的情况下，实现了平均2.1倍、最高4.7倍的显著加速。 AI

影响 该框架可以显著加速基于图的AI模型的训练，从而在推荐系统和社交网络分析中实现更大规模和更复杂的分析。

排序理由 该集群描述了一篇研究论文，详细介绍了一个用于优化TGNN训练的新框架。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

FAST框架加速时序图神经网络训练

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Yushu Cai, Qingrui Zhu, Lei Liu, Kai Sheng, Hao Chen, Xin He ·

    FAST：一种用于优化时序图神经网络训练中内存-I/O、计算和采样的整体框架

    arXiv:2607.05095v1 Announce Type: new Abstract: Temporal Graph Neural Networks (TGNNs) are widely used for learning from dynamic graphs in applications such as recommendation, social network analysis, and traffic forecasting. However, scaling TGNN training to large dynamic graphs…

  2. arXiv cs.LG TIER_1 English(EN) · Xin He ·

    FAST：一个用于优化时序图神经网络训练中的内存-I/O、计算和采样的整体框架

    Temporal Graph Neural Networks (TGNNs) are widely used for learning from dynamic graphs in applications such as recommendation, social network analysis, and traffic forecasting. However, scaling TGNN training to large dynamic graphs remains challenging due to three intertwined bo…

相关实体

相关话题