ग्राफ न्यूरल नेटवर्क (जीएनएन) को अनुशंसा प्रणालियों में व्यापक रूप से अपनाया गया है।जब बड़े ग्राफ़ को संसाधित करने की बात आती है, तो जीएनएन को अपने मल्टी-लेयर संदेश-पासिंग ऑपरेशन से उत्पन्न स्केलेबिलिटी समस्या का सामना करना पड़ सकता है।नतीजतन, स्केलिंग जीएनएन हाल के वर्षों में एक महत्वपूर्ण अनुसंधान क्षेत्र के रूप में उभरा है, जिसमें कई स्केलिंग रणनीतियां प्रस्तावित की गई हैं।

जीएनएन अनुशंसाओं के अध्ययन को बढ़ावा देने के लिए, कई ओपन-सोर्स अनुशंसा पुस्तकालयों ने जीएनएन को एक प्रमुख मॉडल श्रेणी के रूप में शामिल किया है।हालाँकि, बड़े ग्राफ़ के साथ काम करते समय, अधिकांश मौजूदा पुस्तकालयों में अभी भी दो सीमाएँ हैं।

पहला, स्केलिंग रणनीतियों पर अपर्याप्त विचार है।अधिकांश पुस्तकालय स्केलिंग रणनीतियों को ध्यान में रखे बिना केवल विशिष्ट जीएनएन एल्गोरिदम लागू करते हैं।दूसरी सीमा बड़े ग्राफ़ प्रसंस्करण अनुकूलन की कमी है।कई आधिकारिक मॉडल कार्यान्वयन कुछ कोडिंग विवरणों को नजरअंदाज कर देते हैं, जिससे बड़े ग्राफ़ को संसाधित करते समय स्केलिंग संबंधी समस्याएं पैदा होती हैं।

इन समस्याओं को हल करने के लिए, हांग हुआंग और हाई जिन के नेतृत्व में एक शोध दल ने अपना प्रकाशन कियानया शोध14 मार्च 2024 कोकंप्यूटर विज्ञान की सीमाएँ.

टीम ने उपयोगकर्ताओं को एकल-मशीन वातावरण में बड़े पैमाने पर जीएनएन बनाने और चलाने में मदद करने के लिए XGCN नामक एक पायथन-आधारित लाइब्रेरी का प्रस्ताव दिया।लाइब्रेरी विभिन्न स्केलिंग रणनीतियों का समर्थन करती है, बड़े ग्राफ़ के लिए अनुकूलित कार्यान्वयन प्रदान करती है, और चलाने और विकास के लिए उपयोग में आसान इंटरफ़ेस है।

विशेष रूप से, XGCN में कुल मिलाकर 16 एम्बेडिंग मॉडल शामिल हैं, जो व्यापक प्रकार के स्पेक्ट्रम को कवर करते हैं: उथले मॉडल से लेकर सामान्य GNN तक तीन प्रकार की मुख्यधारा स्केलिंग रणनीतियों के साथ: परत-नमूना-आधारित, डिकॉउलिंग-आधारित, और क्लस्टरिंग-आधारित विधियां।यह मॉडल के कार्यान्वयन में अनुकूलन को शामिल करता है, जैसे कि नंबा-त्वरित ऑपरेशन फ़ंक्शंस का एक सेट, जो उन्हें बड़े ग्राफ़ के लिए अधिक उपयुक्त बनाता है।उपयोग मार्गदर्शन के लिए विस्तृत दस्तावेज़ औरनमूनारनिंग स्क्रिप्ट भी प्रदान की जाती हैं।0.15 मिलियन नोड्स से लेकर 3 मिलियन नोड्स तक के विभिन्न पैमानों के डेटासेट का उपयोग करके क्लासिक ग्राफ कनवल्शन ऑपरेशन के कई अलग-अलग कार्यान्वयनों का मूल्यांकन करने के लिए प्रयोग किए जाते हैं।

यह देखा गया है कि मौजूदा कार्यान्वयन में आउट-ऑफ-मेमोरी समस्याओं का अनुभव होता है, जबकि XGCN लगातार बेहतर समय और मेमोरी दक्षता प्रदर्शित करता है।

अधिक जानकारी:ज़िरन सोंग एट अल, एक्सजीसीएन: बड़े पैमाने पर ग्राफ तंत्रिका नेटवर्क अनुशंसाओं के लिए एक पुस्तकालय,कंप्यूटर विज्ञान की सीमाएँ(2024)।डीओआई: 10.1007/एस11704-024-3803-जेड

द्वारा उपलब्ध कराया गयाफ्रंटियर्स जर्नल्स