【KDD2023教程】大规模图神经网络：过去与新前沿,181页pdf

图神经网络（GNNs）近年来受到了大量关注，因为它们能够模拟图结构数据中实体之间的复杂关系，例如社交网络、蛋白质结构和知识图谱。但由于真实世界工业图的大小和GNNs的特殊结构，使得在大规模图上部署GNNs对工程师和研究者来说一直是一个持久的挑战，这大大限制了它们在实际应用中的应用。在本教程中，我们将介绍GNNs的基本可扩展性挑战，包括大规模GNNs的前沿，包括经典方法和一些新兴的技术，对可扩展GNNs的评估和比较，以及它们的大规模实际应用。总体来说，本教程旨在为扩展GNNs提供一个系统而全面的理解。对未来方向的总结和讨论将激励工程师和研究者在这个迅速发展的领域探索新的想法和发展。图神经网络（GNNs）介绍（25分钟）(a) GNNs的基础(b) GNNs的应用(c) 大规模GNNs的可扩展性挑战扩展GNNs的经典方法（60分钟）(a) 采样方法(b) 解耦方法(c) 分布式方法休息：5分钟扩展GNNs的新兴技术（60分钟）训练：(a) 延时传播(b) 交替训练(c) GNN预训练推断：交模型提取数据：(a) 图压缩(b) 子图草图(c) 制表评估、比较和应用（20分钟）总结和未来方向（10分钟）