【NeurIPS 2020】通过双向传播的可扩展图神经网络

论文题目：Scalable Graph Neural Networks via Bidirectional Propagation

论文概述：图神经网络（GNN）是一个新兴的非欧氏数据学习领域。近年来，人们对设计可扩展到大型图形的GNN越来越感兴趣。大多数现有的方法使用“图采样”或“分层采样”技术来减少训练时间；但是，这些方法在应用于具有数十亿条边的图时仍然无法提供可靠的性能。在本文中，我们提出了一种可伸缩的图神经网络GBP，同时从特征向量和训练/测试节点进行双向消息传播，为每个表示生成一个无偏估计量。每个传播都是以局部方式执行的，从而实现了亚线性时间复杂性。广泛的实验证明，GBP达到了state-of-the-art性能同时显著减少训练和推理时间。在单台机器上，GBP能够在不到2000秒的时间内，在一个拥有超过6000万个节点和18亿条边的图形上提供优异的性能

https://www.zhuanzhi.ai/paper/bf70cf78aa20bcfce7a1f6d36c8e080a