GNN训练系统

通动量减9成

通过嵌入复用与时空感知调度，在保持精度的同时大幅降低CPU-GPU通信，提升全图训练效率。

Zhenbo, Fu · Wang, Qiange · 张岩峰 · Ai, Xin · 魏哲巍 · 于戈

Fundamental Research 2026

参数信息

通信量降低

65.7 %

加速

3.71 倍

技术优势

共享顶点少算一遍

在一个epoch内复用共享顶点的中间嵌入，后续子图可直接跳过重复计算，从而减少冗余计算并降低GPU内存压力。

少搬一半数据下GPU

时空感知调度根据结构与时序优先级决定数据去留，减少不必要的CPU-GPU数据传输，从而大幅降低通信量。

应用场景

• 大规模图神经网络训练：降低全图训练对GPU内存的需求，使单卡训练更大规模图数据成为可能。
• GPU内存优化：通过嵌入复用和智能调度，减少GPU内存峰值占用，避免显存溢出。
• 异构计算：优化CPU和GPU间的数据流动，减少通信开销，提升异构系统的整体效率。