Краткое содержание

arXiv:2511.12434v1 Тип объявления: новый Аннотация: Графовые нейронные сети (GNN) продемонстрировали исключительный успех в обучении представлений графов и широком спектре практических приложений. Однако масштабирование более глубоких GNN сталкивается с проблемами из-за экспоненциального роста числа соседей при обучении на крупномасштабных графах. Для смягчения этой проблемы перспективный класс алгоритмов обучения GNN использует исторические эмбеддинги для снижения вычислительных затрат и затрат памяти, сохраняя при этом выразительность модели. Эти методы используют исторические эмбеддинги для узлов вне текущего мини-батча, эффективно аппроксимируя обучение на полном батче без потери информации о соседях — что является ограничением традиционных методов сэмплирования. Однако устаревание этих исторических эмбеддингов часто приводит к значительному смещению, которое выступает в качестве узкого места, способного негативно повлиять на производительность модели. В данной статье мы предлагаем новую универсальную графовую нейронную сеть, учитывающую устаревание, под названием VISAGNN, которая динамически и адаптивно учитывает критерии устаревания