RAFT框架问世 精准降低时序图网络训练成本

近日，arXiv 平台发布了一篇关于机器学习领域的新研究成果。研究人员正式提出了名为 RAFT 的重度感知输入过滤框架，该框架专门面向时序图神经网络训练设计，旨在通过追踪节点记忆变化来识别并过滤冗余输入。 在性能评估方面，RAFT 框架在多个时序图学习任务上展现了显著优势。实测数据显示，该框架平均可减少 35.23% 的训练输入量，极端情况下最多降低 97.11%。与此同时，模型的训练时间最多可减少 52.56%。 值得注意的是，这种高强度的输入压缩对模型精度影响极小，几乎不改变模型的原有性能表现。这表明 RAFT 框架能够在保证精度的前提下，大幅降低计算成本，为时序图神经网络的部署与训练提供了高效的解决方案。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。