主要观点总结
文章介绍了一种新的动态软剪枝方法GDeR，该方法通过可训练的原型动态更新训练“篮子”以优化图神经网络（GNN）的训练。在面临大规模、不平衡和噪声数据集时，GDeR能够通过构建图嵌入超球体并从中抽取代表性、平衡且无偏的子集来实现图训练调试目标。实验表明，GDeR在减少训练样本的情况下性能优异，并实现高速训练，同时在不平衡和噪声训练场景中表现更出色。
关键观点总结
关键观点1: 新的动态软剪枝方法GDeR的介绍
文章提出了一种名为GDeR的动态软剪枝方法，它通过可训练的原型动态更新训练“篮子”，旨在优化GNN的训练。
关键观点2: GDeR的工作原理
GDeR通过构建一个经过良好建模的图嵌入超球体，并从中抽取代表性、平衡且无偏的子集，以实现图训练调试目标。
关键观点3: GDeR的性能表现
在多个数据集和GNN骨干网络上的实验表明，GDeR在减少训练样本的情况下仍能达到或超越完整数据集的性能，并实现高速训练。此外，在不平衡和噪声训练场景中，GDeR的性能优于其他最新剪枝方法。
关键观点4: GDeR的获取方式
源代码可在https://github.com/ins1stenc3/GDeR获取。
关键观点5: 数据派THU的介绍
数据派THU作为数据科学类公众号，分享前沿数据科学与大数据技术创新研究动态，并持续传播数据科学知识。
文章预览
来源：专知 本文 约1000字 ，建议阅读 5 分钟 我们提出了一种新的动态软剪枝方法—— GDeR ，该方法通过可训练的原型在训练过程中动态更新训练“篮子”。 训练高质量的深度模型需要大量的数据，这会导致巨大的计算和内存需求。近年来，数据剪枝、蒸馏和核心集选择等方法被开发出来，以通过保留、合成或从完整数据集中选择一个小而信息丰富的子集来简化数据量。在这些方法中，数据剪枝带来的额外训练成本最低，并提供了最实际的加速效果。然而，它也是最脆弱的，往往在数据不平衡或数据模式偏差的情况下遭遇显著的性能下降，因此在设备端部署时，其准确性和可靠性引发了担忧。因此，迫切需要一种新的数据剪枝范式，既能保持现有方法的效率，又能确保平衡性和鲁棒性。与计算机视觉和自然语言处理领域中已开发出成熟的解决方案
………………………………
