EDiS 框架：一次分解缓存子图，GNN 稀疏训练省算力还提分
Sai Karthik Navuluru · hf · 2026-10-09
EDiS 是一个面向 GNN 的边不相交子图稀疏化框架，解决稀疏训练中「选哪些边」开销高的矛盾：固定复用一张稀疏图会锁死拓扑，而逐 epoch 重采样代价大。
- 核心思路：把结构抽取与逐 epoch 图组合分离，只做一次图分解，得到可缓存的边不相交子图，再按边预算约束在各 epoch 重组训练图，无需重复抽取结构
- 默认构造基于特征得分与逐步最大得分覆盖森林，组合机制也支持其他选边规则
- 理论上给出采样器与组合步骤的组合分析，证明分解会确定性地保留高分离边，并推导与选择器无关的条件界
- 实验：在 19 个同配/异配/大规模节点分类基准上对 17 个基线，同边预算下取得最高平均分、最低平均排名与最小距最优差距；消融显示紧边预算下结构分解与逐 epoch 变化的收益最明显
「研究」频道最新
- AI 加算力能换来多少能力？新文称 token 扩展仍不及人类时间扩展 — tobyordoxford · 2026-10-09
- 8 个 SOTA 视频世界模型物理统考,最高仅 57.76 分 — nikola_mr64990 · 2026-10-09
- AI 随 token 扩展不如人类随时间扩展，但差距正在收窄 — tobyordoxford · 2026-10-09
- IIT Madras 教授用 4 次 LLM 调用替代 100+ 次,兼顾隐私保护 — ravi_iitm · 2026-10-09
- Docling 发布百万级 GUI 数据集 DeskForge-1M，覆盖图像描述与定位 — docling-project · 2026-10-09
- 三星提出 reViT:单个 Transformer 块循环复用,省 70% 参数追平 DeiT III — SamsungResearch · 2026-10-09