arXiv · AI· Siqi Gu, Gaozhen Ma, Liheng Huang, Weiqi He, Jiawen Luo, Jiaming Wu, Lixin Zheng·· 24 天前AI 评分25
DPR 双层稀疏化方法:在紧凑核心上训练以实现图神经网络高效推理
Decoupled Prune-and-Reconstruct: Training on a Compact Core with Double-Layer Sparsification
AI 导读
DPR 方法通过“剪枝-重构”双层稀疏化,将节点剪枝从精度损失转化为 VRAM 受限下的训练加速器。部署版 30% 预算模型在单张 6 GB GPU 上以 1,450 MiB 峰值内存完成训练,相比 DSpar 基线降低 50.1% 内存且精度提升 1.36 pp,所有节点服务速度比 GraphSAGE 快 46 倍。该框架可扩展至 2.45M 节点生产图,证明激进剪枝在显存受限场景下的可行性。
来源:arXiv · AI · arxiv.org