中国科大研究团队发布新框架Capsule，显著提升大规模图神经网络训练性能

近日，中国科学技术大学苏州高等研究院医学影像智能与机器人研究中心的DDL实验室宣布，他们在大规模图神经网络（GNN）训练系统方面的创新性研究成果已被国际知名学术会议ACM International Conference on Management of Data（SIGMOD）2025录用。这一研究为提升图神经网络的训练性能提供了新的思路，尤其在处理庞大图数据方面具有重要意义。

图神经网络作为一种新兴的深度学习算法，已经在推荐系统、自然语言处理、计算化学、生物信息学等多个领域显示出了良好的应用前景。GNN通过其独特的结构能够有效地挖掘和学习图数据中的复杂关系和特征信息。现有的主流训练框架，如DGL（Deep Graph Li

ary）和PyG（PyTorch Geometric），利用GPU的并行计算能力来实现对图数据的高效处理，从而在模型训练时取得了显著的效率提升。

在面对大规模图数据的训练时，现有的框架依然面临不小的挑战。GPU的显存容量往往不足以容纳所有的图数据，这导致在进行大规模图神经网络训练时，系统的扩展性受到制约。为了解决这一瓶颈，DDL实验室团队提出了一种全新的核外（Out-of-Core）GNN训练框架——Capsule。

Capsule框架的核心创新在于其能够将训练子图结构及其特征完全加载到GPU显存中，通过图划分和图裁剪策略，避免了反向传播过程中CPU与GPU之间的I/O开销。这样的设计确保了在训练大规模图数据时，系统的效率大幅提升，能够显著缩短训练时间，并提高模型的准确性。

在Capsule的设计中，团队还采用了基于最短哈密顿回路的子图加载策略以及流水线并行策略。这些优化措施不仅提升了性能，还降低了内存占用率。在实际的实验中，Capsule在大规模真实图数据集上相较于现有的顶尖系统，能够在仅使用22.24%的内存情况下实现高达12.02倍的性能提升。这一成就展示了Capsule在处理超大规模图数据任务时的强大能力，并为全球的研究者和开发者提供了一个高效实用的工具。

Capsule具备即插即用的特性，能够无缝集成至主流的开源GNN训练框架中。这一特性极大地方便了研究者的使用，并促进了其在更广泛的领域内的应用。用户可以根据自身需求灵活调整设置，从而充分发挥Capsule的优势。

Capsule框架的提出不仅标志着我国在图计算系统领域的重大突破，还前景广阔，为社交网络分析、生物医学图谱构建等需要处理超大规模图数据的场景提供了切实可行的解决方案。这将能够推动相关领域的数据分析技术进步，并助力理解和应用复杂数据结构。

针对Capsule的研究成果，DDL实验室团队也表示将继续关注大规模图数据的智能处理与分析，为推动相关技术的发展贡献更多力量。通过不断优化与创新，相信Capsule将引领图神经网络训练的新时代，并在实现高效计算的同时，推动相关领域的深入研究和应用落地。

随着技术的不断进步和研究的持续深入，Capsule将为我们应对大规模图数据的挑战提供新思路和新工具，同时也为图神经网络的研究与应用开辟更广阔的前景。未来，期待这一框架能够在更多的实际应用中发挥作用，真正实现从理论到实践的全面应用。

如需详细了解该研究成果及论文内容，读者可访问以下链接：[Capsule 研究论文](https://doi.org/10.1145/3709669)（本文包含的链接仅供参考）。