图数据库内的GNN训练与推理

基于摘要分析。本文研究大规模图上的 GNN 如何直接利用图数据库进行训练与推理，以减少对内存图存储和临时拼接的数据处理流水线的依赖。核心贡献是将采样、特征读取乃至完整前向传播交由图数据库执行，而非仅将数据库作为外部存储。 机制方面，作者使用 Cypher 支持不同 GNN 训练流水线中的即时采样与特征读取，并提供训练优化；推理方面，作者展示了完整的数据库内推理，且该执行方式不依赖 GNN 的训练方式。摘要未说明具体 GNN 架构、数据库产品、优化细节及动态图更新的评估协议，这些内容尚未验证。 作者报告，在其训练评估设置下，优化可在保持相同 Accuracy 的同时带来约 2.5 倍加速。作者还报告，在真实世界图上，其数据库内推理设置相较于将图冷加载至 RAM 可快于 10 倍，且无额外内存开销。后者的比较基线明确包含冷加载，不能据此推断其优于图已驻留内存时的推理；计时边界、内存开销口径、图规模、硬件、实验协议、消融及统计信息尚未验证。 本文主要贡献属于图计算系统与 GNN 执行机制，并非 EEG 或 BCI 解码方法。平台推测（待验证）：若 EEG 研究涉及大型、多关系且持续更新的图数据，数据库内采样与特征读取可能具有工程复用价值；但小规模通道图未必能抵消数据库查询开销，低信噪比、跨被试差异及小数据问题也不会因存储后端改变而自动解决。可保留 GNN 与训练目标，仅改造采样及特征读取后端，在固定 EEG 图、划分和硬件下比较内存方案与数据库方案的端到端耗时、峰值内存和预测一致性，并分开测试冷启动与热启动。该假设依赖图结构与数据库访问模式的匹配，已有 EEG 相关工作尚未检索确认。