RAFT: 시간적 그래프 신경망 학습을 위한 중복성 인식 입력 필터링

요약

본 논문은 시간적 그래프 신경망(TGNNs)의 학습 효율성을 높이기 위해 중복성 인식 입력 필터링 프레임워크인 RAFT를 제안합니다. RAFT는 메모리 변화 추적을 통해 예측 대상 및 역사적 컨텍스트 이벤트에서 불필요한 중복 데이터를 식별하고 제거하여, 모델 훈련 시간을 크게 단축시키면서도 성능 저하를 최소화하는 것을 목표로 합니다.

핵심 포인트

• RAFT는 TGNN 학습의 비효율성을 해결하기 위한 프레임워크입니다.
• 메모리 변화 추적을 통해 입력 데이터 중복성을 식별합니다.
• 훈련 입력을 최대 97.11%까지 줄이고, 훈련 시간을 최대 52.56% 단축했습니다.
• 모델 정밀도에 미치는 영향은 무시할 만한 수준입니다.