اگر در حوزه یادگیری ماشین با گرافهای پویا (Temporal GNNs) سر و کار دارید، حتماً میدانید که آموزش آنها روی دادههای بزرگ چقدر چالشبرانگیز و کُند است! اما محققان به تازگی از فریمورک نوآورانه FAST رونمایی کردهاند.
این ابزار با یک رویکرد جامع، همزمان سه گلوگاه اصلی یعنی حافظه، محاسبات و نمونهبرداری از همسایگان را بهینه میکند. نتیجه؟ دستیابی به سرعت ۲.۱ برابر سریعتر (و تا ۴.۷ برابر در شرایط خاص) بدون اینکه دقت مدل فدا شود.
این فریمورک با استفاده از تکنیکهایی مثل فشردهسازی داخل دستهای (SlimCache) و بهینهسازی دسترسی به حافظه کش، عملاً استانداردهای جدیدی برای آموزش سریعتر مدلهای گراف در محیطهای واقعی تعریف کرده است. 🔥
منبع: arXiv Machine Learning