본 논문은 그래프 신경망(GNN)의 메모리 비용 문제를 해결하기 위해 적응형 샘플링 방법인 GRAPES를 제안합니다. 기존 GNN은 깊이가 깊어짐에 따라 수용 영역이 기하급수적으로 증가하여 메모리 사용량이 많아지는 문제가 있습니다. 이를 해결하기 위해 일부 노드를 샘플링하는 방법들이 제안되었지만, 주로 동질적 그래프(homophilous graphs)에 대해 평가되었고, 정적인 휴리스틱에 의존하여 다양한 그래프나 작업에 일반화되지 못하는 한계가 있습니다. GRAPES는 GNN 훈련에 중요한 노드 집합을 학습하는 두 번째 GNN을 사용하여 노드 샘플링 확률을 예측합니다. 다양한 노드 분류 벤치마크(동질적 및 이질적 그래프 포함)에서 GRAPES의 효과를 평가하여, 특히 다중 레이블 이질적 그래프에서 정확도와 확장성을 보여줍니다. 작은 샘플 크기에서도 높은 정확도를 유지하여 대규모 그래프로 확장 가능함을 강조합니다.
