Granularball-Graph-Koarsening: GCN-Training schneller und skalierbarer

Graph Convolutional Networks (GCNs) haben sich als leistungsstarke Modelle für Aufgaben mit Graphdaten etabliert, stoßen jedoch bei sehr großen Datensätzen an ihre Grenzen. Der Hauptfaktor ist der enorme Rechenaufwand, insbesondere wenn viele Convolution‑Schichten eingesetzt werden. Aktuelle Ansätze versuchen das Problem mit Sampling‑Techniken oder Graph‑Koarsening zu mildern, vernachlässigen dabei jedoch häufig die mehrschichtige Granularität der Graphstruktur oder bleiben mit einer hohen Zeitkomplexität belastet.

In der vorliegenden Arbeit wird ein neues Verfahren vorgestellt, das auf einem mehrgranularen Granularball‑Graph‑Koarsening basiert. Durch die Aufteilung des ursprünglichen Graphen in zahlreiche Teilgraphen wird die Komplexität linear reduziert – deutlich schneller als bei bestehenden Methoden. Anschließend werden die so entstandenen Teilgraphen zufällig zu Mini‑Batches zusammengefasst, die für das Training des GCN verwendet werden.

Der Ansatz passt sich dynamisch an die Größe des Ausgangsgraphen an und verkleinert ihn signifikant, was die Trainingsgeschwindigkeit und Skalierbarkeit des GCN drastisch verbessert. Mehrere Experimente zur Knotenkategorisierung auf unterschiedlichen Datensätzen zeigen, dass die neue Methode nicht nur schneller, sondern auch genauer arbeitet als bisherige Techniken.