ラベル中心の累積サンプリングによる大規模グラフ畳み込みネットワークの資源効率的トレーニング

グラフ畳み込みネットワーク（GCN）は、グラフデータの表現を学習するために人気があり、ソーシャルネットワーク、推薦システムなど、幅広いアプリケーションがあります。しかし、大規模ネットワーク用のGCNモデルのトレーニングは資源集約的で時間がかかり、実際の展開を妨げます。既存のGCNトレーニング手法は、トレーニングプロセスを加速するために確率的勾配降下法のミニバッチのサンプリングを最適化することを目的としていますが、問題のサイズを減少させることはなく、計算複雑性の削減も限られています。本論文では、サンプリングされたサブグラフを用いてGCNをトレーニングし、近似ノード表現を生成することができると主張します。これは、ネットワークサンプリングを通じてGCNトレーニングを加速する新たな視点を提供します。この目的のために、我々は大規模グラフ用のGCNトレーニングのために、ラベル中心の累積サンプリング（LCS）フレームワークを提案します。提案する方法は、確率的サンプリングに基づいて累積的にサブグラフを構築し、近似ノード表現を生成するためにGCNモデルを反復的にトレーニングします。LCSの最適性は、GCNトレーニングにおけるノード集約過程中のバイアスを最小限に抑えることが理論的に保証されています。4つの実世界のネットワークデータセットに基づく広範な実験は、LCSフレームワークが最先端のGCNモデルのトレーニングを最大17倍加速させ、顕著なモデル精度の低下を引き起こさないことを示しています。