Dans cet article, nous proposons une méthode d'échantillonnage adaptatif, GRAPES, pour résoudre le problème du coût mémoire des réseaux de neurones graphes (GNN). Les GNN existants présentent un problème : le champ récepteur augmente exponentiellement avec la profondeur, ce qui entraîne une utilisation accrue de la mémoire. Pour résoudre ce problème, des méthodes d'échantillonnage de certains nœuds ont été proposées, mais elles ont été principalement évaluées sur des graphes homophiles et présentent des limites de généralisation à divers graphes ou tâches en raison de leur dépendance à des heuristiques statiques. GRAPES prédit la probabilité d'échantillonnage des nœuds à l'aide d'un second GNN qui apprend un ensemble de nœuds importants pour l'apprentissage des GNN. Nous évaluons l'efficacité de GRAPES sur différents benchmarks de classification de nœuds (y compris les graphes homogènes et hétérogènes) et démontrons sa précision et son évolutivité, notamment sur les graphes hétérogènes multi-étiquettes. Nous soulignons qu'il peut être adapté aux graphes de grande taille en maintenant une précision élevée, même avec des échantillons de petite taille.
