大规模图训练的综合研究：基准测试与再思考

大规模图训练是图神经网络（GNNs）领域中一个长期存在的难题。由于图结构在训练过程中不断演化，传统的GNN模型通常难以实现有效扩展，其性能受限于GPU显存容量。尽管目前已提出多种可扩展的GNN架构，但针对这一丰富方法库，我们仍缺乏系统性的综述与公平的基准测试，难以厘清可扩展GNN设计的内在原理。为此，本文首先将代表性的大规模图训练方法系统性地归类为若干分支，并通过贪心超参数搜索策略构建了一个公平且一致的基准测试平台。在效率评估方面，我们从理论上分析了各分支的时间与空间复杂度，并在实践中对比了它们在GPU显存占用、吞吐量及收敛速度等方面的性能表现。此外，本文深入分析了各类可扩展GNN方法的优缺点，并提出一种新型的集成训练范式——EnGCN，以应对现有方法中存在的关键问题。相关代码已开源，地址为：https://github.com/VITA-Group/Large_Scale_GCN_Benchmarking。