Distributed Graph Neural Network Inference With Just-In-Time Compilation For Industry-Scale Graphs
Created by
Haebom
Category
Empty
저자
Xiabao Wu, Yongchao Liu, Wei Qin, Chuntao Hong
개요
본 논문은 대규모 그래프 데이터에 대한 GNN 추론의 성능 병목 현상을 해결하기 위한 새로운 분산 그래프 학습 처리 패러다임을 제시합니다. 기존의 서브그래프 학습 방식의 정보 손실 및 중복 계산 문제를 JIT 컴파일 기술을 활용한 새로운 프로그래밍 인터페이스를 통해 극복하여 분산 클러스터의 계산 자원을 효율적으로 활용하는 GNN 추론을 가능하게 합니다. 최대 5억 개 노드와 224억 개 에지의 산업 규모 그래프에서 최대 27.4배의 성능 향상을 달성했습니다.
시사점, 한계점
•
시사점:
◦
대규모 그래프 데이터에 대한 GNN 추론의 성능을 획기적으로 향상시킬 수 있는 새로운 패러다임 제시
◦
기존 서브그래프 학습 방식의 한계점인 정보 손실 및 중복 계산 문제 해결
◦
분산 환경에서 GNN의 효율적인 계산 자원 활용 가능성 증명
◦
산업 규모 그래프에서 실질적인 성능 향상을 검증
•
한계점:
◦
제안된 방법의 일반성 및 다양한 GNN 모델에 대한 적용 가능성에 대한 추가적인 연구 필요
