Статья преподавателей и студентов ШАД получила статус Spotlight на конференции ICML 2026 🎓

В работе исследуется, как ускорить обучение и инференс Graph Neural Networks на GPU. Несмотря на высокую эффективность таких моделей, их производительность часто ограничивается не вычислениями, а неэффективной работой с памятью и большим объёмом передачи данных.

В рамках проектного курса преподаватели Фёдор Великонивцев и Вячеслав Ждановский вместе со студентами ШАД и НИУ ВШЭ — Даниилом Красильниковым, Алексеем Бойковым и Андреем Долговязовым, и Дарьей Фоминой из команды ML-инфраструктуры Яндекса — разработали набор GPU-ядер для наиболее популярных семейств графовых нейросетей.

Решение охватывает широкий спектр архитектур: от графовых свёрток и агрегирующих операторов до современных моделей, таких как Graph Transformers и GATv2. Эксперименты на крупных графах показывают заметное ускорение работы и снижение потребления памяти по сравнению с существующими решениями.

Кроме того, авторы изучили влияние переупорядочивания вершин графа в памяти GPU и показали, что его эффективность зависит как от структуры графа, так и от особенностей доступа к данным. Статья уже выложена на Arxiv, а код — на GitHub.

Поздравляем авторов статьи!

Про остальные статьи и воркшопы наших преподавателей на ICML 2026 расскажем в следующем посте рубрики #наукашад.

Ваш ШАД 🎓