本文对图神经网络 (GNN) 的全图训练和小批量训练进行了全面的比较分析。文章探讨了批量大小和扇出大小对 GNN 收敛性和泛化能力的影响，提供了理论和实证见解。该研究引入了一种使用 Wasserstein 距离的新型泛化分析，并强调了这些参数的非各向同性效应，表明全图训练并非总是优于经过良好调整的小批量设置。 AI
影响 为调整 GNN 训练超参数提供了理论和实证指导，有望提高效率和性能。
排序理由 学术论文，分析 GNN 训练方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
