StarryGL时序图神经网络训练系统

StarryGL是由浙江大学繁星基金会支持研发的大规模分布式时序图神经网络学习框架。作为超大规模图推理机的重要组成部分，StarryGL致力于解决大规模图数据集上的高效训练问题，为时序图学习提供完整的解决方案。

StarryGL具有三大核心技术优势：作为一站式图学习系统，StarryGL提供了图分区、存储、采样、特征缓存、模型训练和内存更新同步等完整的技术组件；在通用时序图支持方面，StarryGL全面覆盖静态图神经网络、连续时间动态图神经网络和离散时间动态图神经网络等各类模型；在计算效率上，StarryGL通过分布式集群实现了大规模图的高效训练，性能显著优于现有框架。

相较于现有时序图神经网络训练框架，StarryGL通过多权值负载均衡的图划分、高效可拓展并行采样算子等创新设计，实现了卓越的性能提升：单机训练效率提升1.2-1.5倍，在4 GPU环境下可达到3倍加速比，同时保持相当的准确性。在具体指标上，时序图采样耗时减少34%～41%，采样吞吐量提升1.41～2.09倍，分布式GPU读写性能提升1.5-2倍。