大规模图的解缩聚

Jan, 2024

Disentangled Condensation for Large-scale Graphs

Zhenbang Xiao, Shunyu Liu, Yu Wang, Tongya Zheng, Mingli Song

TL;DR本论文提出了用于各种大小的大规模图的可扩展图压缩方法DisCo，其中有两个互补的组件，即节点压缩模块和边压缩模块，实现了节点和边的分离压缩。通过在预训练节点分类模型中合并类别质心对齐和锚点附加正则化器，节点压缩模块可以生成类似于原始节点的特征分布的合成节点，并将原始图的连边预测模型转移到压缩的节点中，生成相应的压缩边。实验证明，DisCo方法在五个常见数据集上的结果明显优于目前最先进的方法。

Abstract

graph condensation has emerged as an intriguing technique to provide graph neural networks for large-scale graphs with a more compact yet informative small graph to save the expensive costs of large-scale graph l

发现论文，激发创造

图神经网络的图压缩算法

本篇研究提出并研究了图卷积神经网络 (GNNs) 的图压缩问题，旨在将原始大图压缩成小型合成图以提高神经模型训练的时间性能，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，有效地将不同图数据集压缩成信息丰富的较小图并将其用于训练各种GNN体系结构，测试结果在Reddit上可达到95.3％，在Flickr上可达到99.8％，在Citeseer上可达到99.0％，同时将其图的尺寸缩小了99.9％以上。

Oct, 2021

无结构图压缩：从大规模图到压缩后的无图数据

本文提出了一种结构自由图压缩范式（SFGC），该方法将大规模图形压缩为小规模无图结构的节点集，并介绍了一种训练轨迹元匹配方案和图神经特征评分指标检验了该方法的优越性。

Jun, 2023

用于归纳节点表示学习的图压缩

图神经网络(GNNs)在处理大规模图时遇到了显著的计算挑战，这严重限制了它们在各种应用中的效力。为了解决这个限制，图压缩成为一种有前景的技术，它构建一个小的合成图以有效地训练GNNs并保持性能。然而，由于节点之间的拓扑结构，图压缩仅限于压缩观测训练节点及其相应的结构，因此缺乏处理未见数据的能力。因此，在推理阶段仍需要原始大图进行信息传递，导致了大量的计算需求。为了解决这个问题，我们提出了映射感知的图压缩(MCond)，明确学习原始节点到合成节点的一对多映射，以无缝地将新节点整合到合成图中进行归纳表示学习。这使得直接在合成图上进行信息传播比在原始大图上更高效。具体而言，MCond采用了交替优化方案，具有来自传统的和归纳的角度的创新损失项，促进了图压缩和节点映射学习之间的相互促进。大量实验证明了我们方法在归纳推理中的有效性。在Reddit数据集上，与基于原始图的对照方法相比，MCond在推理速度上实现了高达121.5倍的加速和55.9倍的存储需求降低。

Jul, 2023

基于结构的神经切线核的快速图压缩

提出一种数据集整理框架（GC-SNTK），通过使用基于结构的神经切割核（SNTK）来加速图的整理并保持高预测性能。

Oct, 2023

图形压缩：一项调查

对图形凝聚进行了全面而深入的研究，提出了 GC 的四个关键评估标准，并详细讨论了优化策略和凝聚图生成这两个关键组成部分，同时介绍了 GC 在各领域的应用和未来研究中的挑战与观点。

Jan, 2024

两个交易不迷茫：通过构建合理梯度匹配来压缩图

通过优化的起始点和更精细的梯度匹配策略，提出了一种名为CTRL的新型图图聚类方法，在多个图数据集和下游任务上进行了广泛实验证实其有效性。

Feb, 2024

简洁图压缩

通过简化图卷积网络在图浓缩过程中的度量对齐方法，提出了一种简化的图浓缩方法，该方法在性能表现上与现有方法相当，并且在速度上能够实现高达10倍的加速。