.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
图压缩通过减小图规模同时保留性能，解决了图神经网络因大规模数据集上计算效率低下而带来的可扩展性挑战。现有方法通常依赖双层优化，需要大量GNN训练并限制了其可扩展性。为解决这些问题，我们提出了一种新颖且高效的框架——基于高斯过程的图压缩（GCGP），该框架优化一个紧凑且高保真的压缩图，能够在降低计算成本的同时有效训练各种GNN。GCGP利用高斯过程（GP），将压缩图作为观测值，以估计预测的后验分布。这种方法消除了GNN通常所需的迭代且资源密集的训练过程。为增强GCGP在捕捉函数值间依赖关系的能力，我们推导出一个专门化的协方差函数，该函数整合了结构信息。该协方差函数通过局部邻域聚合扩展输入节点的感受野，从而有助于表示节点内的复杂依赖关系。为解决优化压缩图中二元结构信息的挑战，我们采用Concrete随机变量来近似连续对应关系中的二元邻接矩阵。这种松弛过程使邻接矩阵能够以可微分形式表示，从而能够将基于梯度的优化技术应用于离散图结构。实验结果表明，所提出的GCGP方法能够高效压缩大规模图数据，同时保留预测性能，解决了可扩展性和效率方面的挑战。
Keyword:
Graph condensation
Gaussian process
efficiency
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏分享收藏
查看更多内容