主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第4期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
赵港,王千阁,姚烽,张岩峰,于戈.大规模图神经网络系统综述.软件学报,0,(0):35-0
大规模图神经网络系统综述
Survey of Large-Scale Graph Neural Network Systems
投稿时间:2020-10-13  修订日期:2020-12-21
DOI:10.13328/j.cnki.jos.006311
中文关键词:  图神经网络  大规模图数据  分布式系统  深度学习  反向传播
英文关键词:graph neural networks  large-scale graph data  distributed systems  deep learning  back propagation
基金项目:国家重点研发计划(2018YFB1003400);国家自然科学基金(61672141,62072082);中央高校基本科研业务费(N181605017,N181604016)
作者单位E-mail
赵港 东北大学 计算机科学与工程学院, 辽宁 沈阳 110000  
王千阁 东北大学 计算机科学与工程学院, 辽宁 沈阳 110000  
姚烽 东北大学 计算机科学与工程学院, 辽宁 沈阳 110000  
张岩峰 东北大学 计算机科学与工程学院, 辽宁 沈阳 110000 zhangyf@mail.neu.edu.cn 
于戈 东北大学 计算机科学与工程学院, 辽宁 沈阳 110000  
摘要点击次数: 1261
全文下载次数: 902
中文摘要:
      图神经网络(GNN)是一类基于深度学习的处理图域信息的方法,它通过将图广播操作和深度学习算法结合,可以让图的结构信息和顶点属性信息都参与到学习中,在顶点分类、图分类、链接预测等应用中表现出良好的效果和可解释性,已成为一种广泛应用的图分析方法.然而现有主流的深度学习框架(如Tensorflow、PyTorch等)没有为图神经网络计算提供高效的存储支持和图上的消息传递支持,这限制了图神经网络算法在大规模图数据上的应用.目前已有诸多工作针对图结构的数据特点和图神经网络的计算特点,探索了大规模图神经网络系统的设计和实现方案.本文首先对图神经网络的发展进行简要概述,总结了设计图神经网络系统需要面对的挑战;随后对目前图神经网络系统的工作进行介绍,从系统架构、编程模型、消息传递优化、图分区策略、通信优化等多个方面对系统进行分析;最后使用部分已开源的图神经网络系统进行实验评估,从精确度、性能、扩展性等多个方面验证这些系统的有效性.
英文摘要:
      Graph Neural Network (GNN) is used to process graph structure data based on deep learning techniques. It combines graph propagation operations with deep learning algorithms to fully utilize graph structure information and vertex features in the learning process. GNNs have been widely used in a range of applications, such as node classification, graph classification, and link prediction, and show good effectiveness and interpretability. However, the existing deep learning frameworks (such as Tensorflow, PyTorch, etc.) do not provide efficient storage support and message passing support for GNN's training, which limits its usage on large-scale graph data. At present, a number of large-scale GNN systems have been designed by considering the data characteristics of graph structure and the computational characteristics of GNNs. In this paper, we first give a brief review of graph neural networks, and summarize the challenges that need to be faced in designing GNN systems. We then review the existing works on GNN training systems, analyze these systems from multiple aspects such as system architecture, programming model, message passing optimization, graph partitioning strategy, communication optimization, etc. Finally, we choose several open source GNN systems for experimental evaluation to compare these systems in terms of accuracy, efficiency, and scalability.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利