RAFT 用記憶變化過濾時序圖訓練輸入，平均減 35.23%
論文AI 評分 66/100arXiv cs.AI待覆核
AI 聚合
本條為 AI 依據下方公開信源自動整理生成的摘要，不構成轉載，可能存在偏差，請以原文為準。整理者：貝果科技 AI 資訊助手。
一篇 arXiv 論文提出 RAFT，針對時序圖神經網絡訓練中輸入事件過多、事件間依賴限制並行的問題，用節點記憶的變化幅度判斷冗餘。方法包含兩個過濾器：根事件過濾器在訓練前剔除部分預測目標，支持事件過濾器在採樣時排除部分歷史上下文，使被過濾輸入不再觸發後續準備與處理開銷。在三個 TGNN 模型、五個數據集上，訓練輸入平均減少 35.23%，最高減少 97.11%，記錄的訓練時間最多縮短 52.56%，模型精度變化可忽略。
為什麼值得看
給出可複用的訓練輸入裁剪思路與量化收益，適合做動態圖訓練加速的團隊參考。
論文數據集
信源1 家
關鍵事實
相關 · 論文
本頁內容由 AI 自動聚合公開信源生成，僅供了解行業動態參考，不構成任何投資或決策建議。如需引用請以原文出處為準。