本文约1000字，建议阅读5分钟

我们提出了一种新的动态软剪枝方法——GDeR，该方法通过可训练的原型在训练过程中动态更新训练“篮子”。

训练高质量的深度模型需要大量的数据，这会导致巨大的计算和内存需求。近年来，数据剪枝、蒸馏和核心集选择等方法被开发出来，以通过保留、合成或从完整数据集中选择一个小而信息丰富的子集来简化数据量。在这些方法中，数据剪枝带来的额外训练成本最低，并提供了最实际的加速效果。然而，它也是最脆弱的，往往在数据不平衡或数据模式偏差的情况下遭遇显著的性能下降，因此在设备端部署时，其准确性和可靠性引发了担忧。因此，迫切需要一种新的数据剪枝范式，既能保持现有方法的效率，又能确保平衡性和鲁棒性。与计算机视觉和自然语言处理领域中已开发出成熟的解决方案不同，图神经网络（GNN）在应对日益大规模、不平衡和噪声数据集时仍面临挑战，缺乏统一的数据集剪枝解决方案。

为此，我们提出了一种新的动态软剪枝方法——GDeR，该方法通过可训练的原型在训练过程中动态更新训练“篮子”。GDeR首先构建一个经过良好建模的图嵌入超球体，然后从该嵌入空间中抽取具有代表性、平衡且无偏的子集，达到我们所称的图训练调试（Graph Training Debugging）目标。在五个数据集和三个GNN骨干网络上的广泛实验表明，GDeR (I) 在减少30%至50%的训练样本的情况下，仍能达到或超越完整数据集的性能；(II) 实现了最高2.81倍的无损训练加速；(III) 在不平衡训练和噪声训练场景中，比最新的剪枝方法分别提高了0.3%至4.3%和3.6%至7.8%的性能提升。源代码可在https://github.com/ins1stenc3/GDeR获取。