Hugging Face发布EDiS：革新图神经网络稀疏训练框架

摘要：Hugging Face推出了一款名为EDiS（Edge-Disjoint Subgraph sparsification framework）的图神经网络稀疏训练框架，旨在解决稀疏训练中计算效率与拓扑灵活性之间的权衡问题。EDiS通过一次性将图分解为可缓存的边不交子图，并在训练过程中根据边预算约束和保留比例动态重组这些子图，避免了重复采样或重新计算。实验表明，EDiS在19个同质、异质和大规模节点分类基准测试中均取得了最高的平均基准得分（准确率/ROC-AUC），并显著降低了与其他方法的平均排名和最佳差距差距。

---

背景与挑战

在图神经网络（GNN）的训练过程中，稀疏化是一种常用的降低计算成本的方法。然而，如何选择保留哪些边是一个复杂且耗时的过程。使用单一稀疏图虽然成本低廉，但会将训练过程限制在固定的拓扑结构中，而动态变化拓扑结构则需要反复采样或重新计算，这增加了训练的开销。

EDiS框架的创新点

Hugging Face推出的EDiS框架通过以下方式解决了上述问题：

• 一次性分解与动态重组：EDiS将图一次性分解为可缓存的边不交子图，并在每个训练周期中根据边预算约束和保留比例动态重组这些子图，避免了重复采样或重新计算。
• 特征评分与覆盖森林：EDiS使用基于特征评分的覆盖森林方法选择子图，确保高评分边的保留率。
• 组合机制的多样性支持：EDiS的组合机制不仅支持默认的覆盖森林选择器，还支持其他边选择规则。

实验结果

在19个同质、异质和大规模节点分类基准测试中，EDiS与17个基线方法进行了对比，结果显示：

• 最高平均得分：EDiS在准确率和ROC-AUC指标上均取得了最高平均得分。
• 最低平均排名与差距：EDiS在排名方法中的平均排名和与最佳方法的差距均为最低。

消融实验表明，在严格的边预算下，结构分解和周期变化的优势尤为明显。

技术亮点

• 高效性：通过一次性分解和动态重组，EDiS显著降低了计算成本。
• 灵活性：支持多种边选择规则，适应不同的训练需求。
• 性能优越：在多个基准测试中表现优异，展示了其在实际应用中的潜力。

行业影响与开发者建议

EDiS的发布为图神经网络的研究和应用提供了新的技术路径，特别是在资源受限的场景下，其高效的训练方法具有重要意义。开发者可以尝试将EDiS应用于以下领域：

• 大规模图数据分析：如社交网络分析、推荐系统等。
• 资源受限设备上的GNN训练：如移动设备、物联网设备等。
• 动态图处理：如交通网络分析、动态社交网络等。

建议开发者关注EDiS的进一步优化和扩展，并积极参与相关社区的讨论和贡献。

---

消息来源：Hugging Face Daily Papers (2026-10-06)

—— 完 ——

主题标签： #Hugging Face 关注 #图神经网络 关注 #稀疏训练 关注 #EDiS 关注 #AI框架 关注