グラフ ニューラル ネットワーク (GNN) は、レコメンデーション システムで広く採用されています。大規模なグラフを処理する場合、GNN は多層メッセージ受け渡し操作に起因するスケーラビリティの問題に遭遇する可能性があります。その結果、GNN のスケーリングは近年重要な研究分野として浮上しており、数多くのスケーリング戦略が提案されています。

GNN レコメンデーションの研究を促進するために、多くのオープンソース レコメンデーション ライブラリに GNN が主要なモデル カテゴリとして組み込まれています。ただし、大きなグラフを扱う場合、既存のライブラリのほとんどには依然として 2 つの制限があります。

1 つ目は、スケーリング戦略の検討が不十分であることです。ほとんどのライブラリは、スケーリング戦略を考慮せずに、特定の GNN アルゴリズムのみを実装します。2 番目の制限は、大規模なグラフ処理の最適化ができないことです。多くの公式モデル実装では特定のコーディングの詳細が見落とされており、大きなグラフを処理するときにスケーリングの問題が発生します。

これらの問題を解決するために、Hong Huang 氏と Hai Jin 氏率いる研究チームは、新しい研究2024 年 3 月 14 日コンピューターサイエンスのフロンティア。

チームは、ユーザーが単一マシン環境で大規模な GNN を迅速に構築して実行できるようにするために、XGCN という名前の Python ベースのライブラリを提案しました。このライブラリは、さまざまなスケーリング戦略をサポートし、大規模なグラフに最適化された実装を提供し、実行および開発用の使いやすいインターフェイスを備えています。

具体的には、XGCN には合計 16 の埋め込みモデルが含まれており、浅いモデルから、レイヤー サンプリング ベース、デカップリング ベース、クラスタリング ベースの 3 種類の主流スケーリング戦略を備えた一般的な GNN まで、幅広い種類をカバーしています。これには、一連の Numba アクセラレーション操作関数などのモデルの実装に最適化が組み込まれており、大規模なグラフにより適したものになります。ご利用案内の詳細資料やモデル実行スクリプトも提供されます。15 万ノードから 300 万ノードまでのさまざまなスケールのデータセットを使用して、古典的なグラフ畳み込み演算のいくつかの異なる実装を評価する実験が実行されます。

既存の実装ではメモリ不足の問題が発生する傾向があるのに対し、XGCN は常に優れた時間効率とメモリ効率を示していることが観察されています。

詳細情報:Xiran Song 他、XGCN: 大規模なグラフ ニューラル ネットワークの推奨ライブラリ、コンピューターサイエンスのフロンティア（2024年）。DOI: 10.1007/s11704-024-3803-z

提供元フロンティアジャーナル