摘要
补充材料
岑玉国、侯振宇、王燕、陈启斌、罗益珍、姚兴成、曾敖涵、郭世光、张鹏、戴国浩等，2021年。 CogDL：用于深入学习图形的广泛工具包。 arXiv预印本arXiv:2103.00959，第7卷，第8卷（2021）。 谷歌学者 
马蒂亚斯·费伊（Matthias Fey）和简·埃里克·伦森（Jan Eric Lenssen）。 2019.使用PyTorch Geometric快速学习图形表示。 arXiv预印arXiv:1903.02428（2019）。 谷歌学者 威尔·汉密尔顿（Will Hamilton）、应志涛（Zhitao Ying）和朱尔·莱斯科维奇（Jure Leskovec）。 2017年。大型图形的归纳表示学习。 神经信息处理系统进展，第30卷（2017年）。 谷歌学者 胡玉伟、叶子浩、王敏杰、于佳丽、大正、穆丽、张正、张志如和王毅达。 2020年。特征图：图形神经网络系统的灵活高效后端。 SC20：高性能计算、网络、存储和分析国际会议。 IEEE，1-13。 谷歌学者 交叉引用 
托马斯·基普夫（Thomas N Kipf）和马克斯·威林（Max Welling）。 2016.图卷积网络半监督分类。 arXiv预印arXiv:1609.02907（2016）。 谷歌学者 达米莎·莱纳多拉（Damitha Lenadora）、维马什·萨提亚（Vimarsh Sathia）、杰拉西莫斯·格罗吉安尼斯（Gerasimos Gerogannis）、塞里夫·耶西尔（Serif Yesil）、约塞普·托雷拉斯（Josep Torrellas）和查里。 2023.GNN加速的输入敏感密集稀疏基本成分。 arXiv预印arXiv:2306.15155（2023）。 谷歌学者 邱胜浩、梁佑、王征。 2021.优化图神经网络的稀疏矩阵乘法。 在并行计算语言和编译器国际研讨会上。 施普林格，101-117。 谷歌学者 Khaledur Rahman先生、Majedul Haque Sujon和Ariful Azad。 FusedMM：用于图形嵌入和图形神经网络的统一sddmm-spmm内核。 2021年IEEE国际并行和分布式处理研讨会（IPDPS）。 IEEE，256-266。 谷歌学者 交叉引用 锈迹斑斑。 [编号，日期]。 GitHub-rusty1s/pytorch_sparse:优化Autograd稀疏矩阵操作的pytorch扩展库。 https://github.com/rusty1/pytorch_sparse 谷歌学者 王敏杰。 2019.深度图形库：实现高效、可扩展的图形深度学习。 在ICLR关于图和流形表示学习的研讨会上。 谷歌学者 Xu Keyyulu、Hu Weihua、Jure Leskovec和Stefanie Jegelka。 2018年。图形神经网络的功能有多强大？ arXiv预印arXiv:1810.00826（2018）。 谷歌学者 叶子浩、赖瑞航、邵俊茹、陈天奇和吕塞泽。 2023.SparseTIR：深度学习中稀疏编译的可组合抽象。 第28届ACM编程语言和操作系统体系结构支持国际会议论文集，第3卷。 660--678. 谷歌学者 数字图书馆 
建议
MaxK-GNN：用于加速图形神经网络训练的极快GPU内核设计 ASPLOS’24：第29届ACM编程语言和操作系统体系结构支持国际会议记录，第2卷 在加速深度神经网络训练方面，图形处理单元（GPU）已成为主流平台。 GPU在图形神经网络（GNN）上面临着巨大的挑战，例如工作负载不平衡和内存访问不规则。。。 基于NMF的深度神经网络方法加速反向传播算法 智能系统的知识管理和获取 摘要 反向传播（BP）是深度神经网络（DNN）训练中使用最广泛的算法，也是事实上的标准算法。 然而，BP算法通常需要大量的计算时间，这仍然是一个主要问题。。。 使用多个图形处理单元加速迭代线性解算器 在本文中，我们使用多个图形处理单元GPU开发、研究和实现了迭代线性解算器和预处理器。 加速稀疏矩阵-向量SpMV乘法、线性解算器和预条件器的技术。。。
