इस पत्र में, हम ग्राफ न्यूरल नेटवर्क (GNN) की मेमोरी लागत समस्या को हल करने के लिए एक अनुकूली नमूनाकरण विधि, GRAPES, प्रस्तावित करते हैं। मौजूदा GNN में एक समस्या यह है कि गहराई बढ़ने पर ग्राही क्षेत्र चरघातांकी रूप से बढ़ता है, जिसके परिणामस्वरूप मेमोरी उपयोग में वृद्धि होती है। इस समस्या के समाधान के लिए, कुछ नोड्स के नमूनाकरण के तरीके प्रस्तावित किए गए हैं, लेकिन उनका मूल्यांकन मुख्यतः समरूपी ग्राफ़ पर किया गया है और स्थिर अनुमानों पर उनकी निर्भरता के कारण विभिन्न ग्राफ़ या कार्यों के लिए सामान्यीकरण में सीमाएँ हैं। GRAPES एक दूसरे GNN का उपयोग करके नोड नमूनाकरण संभावना का अनुमान लगाता है जो GNN प्रशिक्षण के लिए महत्वपूर्ण नोड्स के एक समूह को सीखता है। हम विभिन्न नोड वर्गीकरण मानकों (सजातीय और विषमांगी ग्राफ़ सहित) पर GRAPES की प्रभावशीलता का मूल्यांकन करते हैं, और इसकी सटीकता और मापनीयता, विशेष रूप से बहु-लेबल विषमांगी ग्राफ़ पर, प्रदर्शित करते हैं। हम इस बात पर ज़ोर देते हैं कि छोटे नमूना आकारों के साथ भी उच्च सटीकता बनाए रखते हुए इसे बड़े पैमाने के ग्राफ़ के लिए बढ़ाया जा सकता है।
