- GC-Bench: 图形凝聚的开放和统一基准
我们研究了图缩减的性能，并通过开发一个综合的图缩减基准测试库 (GC-Bench) 来评估 12 种最新的图缩减算法在不同场景下的效果、可迁移性和复杂性。
- GC-Bench: 图结构凝聚度的评测框架与新洞察
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 - RobGC：走向强大的图压缩
图神经网络、图压缩、鲁棒图压缩、训练图、图结构噪声
- 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。
- 重新思考和加速图形精简：一种无需训练的带类别分割方法
通过 Class-partitioned Graph Condensation (CGC) 方法，能够在更有效的压缩过程中实现最先进的性能。
- 信息瓶颈原理下的联邦图压缩
我们提出并研究了图神经网络的联邦图压缩新问题，通过将图压缩的梯度匹配过程分解为客户端梯度计算和服务器端梯度匹配，大大减轻了客户端的计算成本，并结合信息瓶颈原理，在联邦图训练中实现了会员隐私的保护。
- 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。
- 复杂系统导航：通过扩展窗口匹配实现无损图图缩减
通过使用课程学习策略和扩展窗口匹配技术，本文尝试进行无损图稀疏化，并设计了一种损失函数来从专家轨迹中提取知识，理论分析证明了方法的合理性，并通过广泛实验证实其优越性。
- EXGC：在图压缩方面实现高效和可解释性的桥梁
在本研究中，我们提出了一种高效且可解释的图压缩方法 EXGC，它通过采用 Mean-Field 变分逼近和梯度信息瓶颈目标来解决当前范式存在的效率和冗余性问题，在增加可解释性的同时显著提升了效率。我们在八个数据集上进行了全面评估，证明了 E - 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 - 图重构的综合调研：稀疏化、粗化和浓缩
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。
- 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。
- 大规模图的解缩聚
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 - 加强图压缩：通过无交叉对抗训练聚焦于弱节点
本文研究了通过将大型、复杂的图形压缩成精炼、综合的表示形式来解决图形凝结问题，这种表示形式保留了结构和特征的最关键和最具区分性的信息。我们提出了减震器（一种扰动）的概念，以对原始图进行对抗训练方式下的稳定性增强。通过在定期间隔上强制匹配在合 - 图形蒸馏是否与视觉数据集相似？
我们提出了一种新颖的结构广播图数据集蒸馏（SGDD）方案，通过将原始的结构信息广播到生成的合成图中，明确地防止忽视原始的结构信息，并验证了该设计的有效性和必要性。
- 图谱精简：基于特征向量匹配的方法
通过特征基匹配合成图 (GCEM) 方法，我们解决了现有方法在图神经网络 (GNN) 的合成图上存在的泛化能力差的问题，通过匹配真实图和合成图的特征基，消除了 GNN 的谱偏差，并保留了图的结构信息，大大缩小了不同 GNN 之间的性能差距。
- 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 - 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。
- ICLR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