研究人员发现，一种简单的随机节点采样（RNS）方法用于训练图神经网络（GNNs）可以媲美甚至超越全图训练的性能。这一令人惊讶的结果在众多数据集上都成立，以显著减少的计算时间和内存实现了更好的结果。该研究的分析表明，RNS充当了隐式正则化器，有效地最小化了采样损失和梯度方差的组合，从而为可扩展的GNN训练提供了一种理论上可靠的方法。 AI
影响 这项研究提供了一种更有效、更高效的训练图神经网络的方法，有可能加速其在各种应用中的采用。
排序理由 该集群包含一篇学术论文，详细介绍了一种新的机器学习模型训练方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.22480v1 Announce Type: new Abstract: Mini-batch training of Graph Neural Networks (GNNs) is fundamentally different from training on i.i.d. data: sampling a subgraph alters the topology and introduces boundary effects, leading prior work to develop structure-aware samp…
Mini-batch training of Graph Neural Networks (GNNs) is fundamentally different from training on i.i.d. data: sampling a subgraph alters the topology and introduces boundary effects, leading prior work to develop structure-aware samplers that preserve local connectivity and reduce…