分散動的GNNトレーニングのためのオンライングラフパーティション

グラフニューラルネットワーク（GNN）は、グラフ構造データの複雑な特徴を効果的に学習する能力からますます人気を集めています。しかし、多くの実世界のグラフは動的であり、グラフの構造や特徴が時間とともに変化します。大規模な動的グラフは通常、分散グラフストアに保存され、分散GNNトレーニングを通じて学習されます。従来のグラフパーティションアルゴリズムはパーティションのバランスとクロスパーティションエッジの削減に重点を置いており、分散動的GNN学習の必要性には適していません。私たちは、動的グラフのストレージオーバーヘッドとサーバー間通信を最小限に抑えることを目的とした、分散動的GNN学習に特化した新しいオンライングラフパーティションフレームワークDistDyを提案します。大規模な動的グラフの変化を保存するために分散加算ストレージを設計し、通信ユーティリティ最大化問題としてこれを定式化することにより、リアルタイムでグラフパーティション（つまり、変更ストレージ）を決定します。効率的なオンライングラフパーティションアルゴリズムを提案し、洗練されたリソース価格と加算ストレージ報酬に基づいて最適近似パーティション戦略を計算し、確証された競争比を達成します。さまざまな実世界および合成動的グラフデータセットに対する実験により、DistDyは代表的なグラフパーティションアルゴリズムと比較して、92.2％のストレージ節約と最大1.39倍の分散GNNトレーニングのスピードアップを実現できることが示されています。