摘要：高性能计算的范畴已扩展至涵盖多种形态的机器学习任务。图神经网络（GNN）日益受到青睐，其应用领域不断拓展。随着图数据规模持续增长，节点数量、边的数量以及嵌入维度均显著提升，DGL 和 PyG 等标准化库应运而生，旨在简化 GNN 的计算流程。这些库以高层次抽象描述计算过程，极大提升了开发者的生产效率。然而，随着处理器核心数的快速增长以及多核架构的演进，上述库往往表现出较差的可扩展性，在最新一代多核系统上难以高效执行 GNN 推理，尤其是在核心数超过百个的系统中尤为明显。为解决这一局限，我们提出了 FrontGI——一套快速且可扩展的技术方案，通过结合图属性与体系结构感知的设计，将大规模图（超过 10 万个顶点）上的 GNN 推理推向新高度。FrontGI 针对不同图结构采用各异的并行化策略，充分挖掘多级缓存层次在多核系统中的潜力。我们在一台配备 128 核 AMD EPYC 处理器的系统上，使用 FrontGI 对多个 GNN 模型进行了评估。与当前最先进的库相比，FrontGI 在 GCN、GraphSAGE、GIN 和 SGC 模型上分别实现了高达 3.35 倍、3.20 倍、2.89 倍和 3.10 倍的加速；而在一系列具有多样化结构特征的大规模高维图数据集上，相较于 PyG 的性能提升更为显著。
提交历史
访问 Paper：
查看PDF
TeX 源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
谷歌学术
语义学者
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的机构，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于坚守这些价值观，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。