本研究介绍了如何利用图重构技术来解决图神经网络架构存在的理论和实践问题，从而提高其表现力并实现应用于现实世界中的性能提升。

Oct, 2021

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

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

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

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

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

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

图神经网络、图压缩、鲁棒图压缩、训练图、图结构噪声

Jun, 2024

图压缩是一种新兴技术，通过学习一个显著较小但保留原图关键信息的压缩图，加速图神经网络并保持性能，在神经架构搜索等下游应用和对大规模图冗余性的理解方面具有潜力。本文介绍GC-Bench，一个综合评估图压缩方法的框架，提供对GC过程和压缩图特性的深入洞察，指导未来的性能增强和探索新应用。

Jun, 2024

用TinyGraph框架在大规模图上同时压缩特征和节点，通过匹配梯度实现特征压缩并保留关键信息，在减少节点和特征数量的同时仍能保持原始测试准确率的大部分。

Jul, 2024