GNN的高效稀疏矩阵操作

这部分内容有帮助吗？

参考文献

Semi-Supervised Classification with Graph Convolutional Networks, Thomas N. Kipf and Max Welling, 2017 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1609.02907 - 本文介绍了图卷积网络（GCNs），这是一种广泛引用的图神经网络架构，其消息传递方案在计算上得益于高效的稀疏矩阵操作。
Templates for the Solution of Sparse Linear Systems, Richard Barrett, Michael Berry, Tony F. Chan, James Demmel, June Donato, Jack Dongarra, Victor Eijkhout, Roldan Pozo, Charles Romine, Henk van der Vorst, 1994 (SIAM) DOI: 10.1137/1.9781611970898 - 一份详尽的资源，阐述了各种稀疏矩阵格式（COO、CSR、CSC）及稀疏线性代数算法，这些是许多图神经网络操作的基础。尽管出版较早，其稀疏矩阵原理内容仍具价值。
PyTorch Geometric, Matthias Fey, Jan Eric Lenssen, 2019 ICLR 2019 (RLGM Workshop) DOI: 10.48550/arXiv.1903.02428 - 本文介绍了PyTorch Geometric，一个流行的图神经网络库，其设计考虑了高效的稀疏张量操作，特别是稀疏矩阵-稠密矩阵乘法（SpMM），用于处理图数据。
Deep Graph Library: A Graph-Centric, User-Friendly, and High-Performance Package for GNNs, Minjie Wang, Da Zheng, Zihao Ye, Quan Gan, Mufei Li, Xiang Song, Jinjing Zhou, Chao Ma, Lingfan Yu, Yu Gai, Tianjun Xiao, Tong He, George Karypis, Jinyang Li, Zheng Zhang, 2019 International Conference on Learning Representations (ICLR) Workshop on Deep Learning on Graphs: Methodologies and Applications DOI: 10.48550/arXiv.1909.01315 - 这项工作介绍了深度图库（DGL），一个用于图神经网络的多功能高性能框架，它在内部管理和优化稀疏图表示以支持各种操作。