En este artículo, proponemos un método de muestreo adaptativo, GRAPES, para resolver el problema del costo de memoria de las redes neuronales de grafos (GNN). Las GNN existentes tienen un problema: el campo receptivo aumenta exponencialmente al aumentar la profundidad, lo que resulta en un mayor uso de memoria. Para resolver este problema, se han propuesto métodos para muestrear algunos nodos, pero se han evaluado principalmente en grafos homófilos y tienen limitaciones para generalizar a varios grafos o tareas debido a su dependencia de heurísticas estáticas. GRAPES predice la probabilidad de muestreo de nodos utilizando una segunda GNN que aprende un conjunto de nodos que son importantes para el entrenamiento de GNN. Evaluamos la efectividad de GRAPES en varios puntos de referencia de clasificación de nodos (incluyendo grafos homogéneos y heterogéneos), y mostramos su precisión y escalabilidad, especialmente en grafos heterogéneos de múltiples etiquetas. Enfatizamos que puede escalarse a grafos a gran escala manteniendo una alta precisión incluso con tamaños de muestra pequeños.
