Efficient multi-view graph condensation via gradient-flow induced graph convolutional networks

doi:10.1016/j.neucom.2025.131478

Efficient multi-view graph condensation via gradient-flow induced graph convolutional networks

2025-09-08

0

PRE

AI

DOI：10.1016/j.neucom.2025.131478

原文链接

原文求助

摘要

En 中文

基于图卷积网络的多视角学习通过融入多元视角提升性能，在各类学术与实践领域取得了显著成就和成功应用。然而，多视角图卷积网络在处理大规模图时面临巨大的计算挑战。为克服此局限，图压缩技术作为一种有前景的方向出现，通过构建更小的复合图，在保持性能的同时实现高效网络训练。此外，先前研究已证明，通过图压缩可促进图学习性能的提升。为此，我们尝试将图压缩引入多视角学习以加速计算。该方法不仅显著降低了训练成本，还在网络训练过程中实现了次线性时间和空间复杂度。此外，我们基于偏微分方程提出了一种梯度流诱导的图卷积网络，为具有可解释性的图相关网络架构构建提供了理论保障和潜在新见解。在七个真实多视角数据集上的广泛实验表明，所提方法在大幅缩短模型训练时间的同时，仍能保证具有竞争力的多视角半监督分类性能。

Efficient multi-view graph condensation via gradient-flow induced graph convolutional networks

摘要

期刊

机构

引用论文