近日，2019级博士生许绍显（导师廖小飞教授）的论文 “Accelerating Backward Aggregation in GCN Training with Execution Path Preparing on GPUs”被 IEEE Transactions on Parallel and Distributed Systems (TPDS) 录用。

由于图卷积神经网络的强大表达能力，越来越多的领域开始使用图卷积神经网络来助力自己的研究。目前图卷积神经网络的训练仍然是非常耗时的，尤其是在大规模现实图上。现有的加速图卷积神经网络训练的系统虽然提出了各式各样的计算优化方法，但他们将训练过程中的前向聚合和反向聚合都视为一个全活跃（所有顶点和边都参与计算）的图计算过程。针对这一问题，论文通过对反向聚合进行具体分析，指出反向聚合可以被等价地转换为一个部分活跃的图计算过程，仅有部分顶点和边需要参与计算，并提出了一种适用于GPU的选择性调度方法来避免反向聚合中不必要的计算。论文还提出了一种图结构感知的组大小计算方法，对负载均衡和原子开销进行权衡。在真实图数据集上的实验结果表明，论文提出的方法相比现有系统（GNNAdvisor和DGL）在反向聚合阶段能达到最高5.68x的加速比。

IEEE Transactions on Parallel and Distributed Systems期刊每年出版12期，主要关注并行及分布式系统的体系结构、软件设计、算法和应用等领域的前沿研究，2021年影响因子是2.687，属于中国计算机学会CCF A类期刊。

（通讯员：许绍显）