返回
HSampler: Optimizing Multi-GPU GNN Sampling with Collision-Avoid Selection
DOI:10.1007/978-3-032-10459-5_1.png)
摘要
En 中文
图神经网络(GNN)近年来在图学习任务中崭露头角。随着现实世界图规模日益增大,采样GNN被广泛应用于学术界和工业界,以替代在全图上训练。由于采样子图规模较小,训练阶段消耗的执行时间减少,数据准备阶段成为性能瓶颈,尤其是图采样阶段。尽管已提出多种采样方法以提高效率,但它们仍受限于偏差采样中高阶节点选择冲突带来的显著开销。本文提出HSampler,一个多GPU GNN采样系统。它通过重排序和滑动窗口选择采样子图,减少偏差采样中的重复尝试,从而提升图采样阶段的性能。在4 GPU节点上的评估表明,HSampler比DGL和P-3等最先进系统显著提升了2.1倍至6.2倍的性能。
Keyword:
GNN
Biased Sampling
Performance Optimizations
Parallelism
期刊
N
IF:
0
论文数:
29
被引数:
0

