Jan, 2024

图重构的综合调研：稀疏化、粗化和浓缩

PDF
TL;DR图简化技术是一种应对大型图数据集复杂性和规模的有效方法，本调查研究对图稀疏化、图粗化和图凝聚等简化方法进行了全面概述，并阐述了它们在不同场景中的实际应用，为该领域的发展提供了技术综述和重要研究方向。
graph reduction techniquesgraph sparsificationgraph coarseninggraph condensationpractical applications
发现论文，激发创造
  • 图结构压缩调研

    图结构的分析在大规模图数据上带来了显著的挑战，而图压缩是为了解决这些挑战而出现的解决方案之一，本文通过对图压缩的形式定义和分类研究方法，以及对数据集和评估指标的全面分析，提供了对这一领域的研究方向与挑战的认识，并给出了指导未来研究的简明指南。

    Feb, 2024

  • 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

  • 光谱保留图稀疏化和粗化的统一框架

    提供了同时稀疏化和粗化图形的统一框架，其原理基于图拉普拉斯算子的物理解释，并使用一种无偏处理程序来减少图形并保留其大规模结构。

    Feb, 2019

  • 分布式图聚类与稀疏化

    本文提出了一个简单的分布式算法，基于采样方案将输入的密集图转化为稀疏的子图，并在多项式对数回合内完成图的聚类，同时具有高效的实现和处理大数据集的广泛应用。

    Nov, 2017

  • 图形概括方法和应用：一项调查

    本文是对图数据总结的最新方法进行系统的概述研究，主要讨论了输入图形的类型，核心方法以及在真实世界中的应用，并描述了该领域的一些未解决的问题。

    Dec, 2016

  • 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

  • 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。

    Mar, 2024

  • GCondenser: 图谱压缩基准测试

    大规模图的压缩是一个重要的研究领域，本文提出了第一个大规模图压缩基准，名为 GCondenser，为综合评估和比较主流的 GC 方法提供了标准化的框架和评估程序，并展示了现有方法的有效性。

    May, 2024

  • 通过自表达图结构重建实现图数据压缩

    通过解释性自表示图结构重构的方法，GCSR 在显式地融入原始图结构的过程中，通过重构可解释的自表示图结构，解决了在训练大规模图上的图神经网络时，节点特征优化、构建可解释图结构的问题。

    Mar, 2024

  • 从常规数据到图形的下采样泛化

    本文提出了一种新的图形粗化机制，它是正规数据可控等间距粗化机制的图形结构对应物，在保留拓扑结构的同时有多分辨率调节的能力，并通过理论和实验证明了它在图分类任务中的优越性。

    Aug, 2022