CoRe-GNN 通过多层消息传递提升图神经网络训练

研究人员推出了一种新颖的图神经网络（GNN）训练方法 CoRe-GNN，适用于大型图。该方法通过在每一层中同时进行用于长程结构的粗粒化簇间消息传递和用于节点可辨识性的局部簇内消息传递，来解决内存限制问题。CoRe-GNN 在各种节点分类基准测试中，性能优于图粗粒化和 Cluster-GCN 等现有方法，并通过一种适用于拥有数百万节点的图的新批处理方案保持了内存效率。 AI

影响 这种新的图神经网络训练方法可以实现对大规模图数据的更高效处理，可能对推荐系统和社交网络分析等领域产生影响。

排序理由 该条目是一篇研究论文，详细介绍了一种新的图神经网络方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Cluster-GCN
• CoRe-GNN
• CORE Recommender
• DagsHub
• Gotit.pub
• graph neural networks
• Hugging Face
• IArxiv Recommender
• ScienceCast

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →