.png){kind=icon}
返回
Multi-granularity spectral graph coarsening
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122748.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图收缩是将大规模图表示简化的过程，同时保留关键的结构特征，以提高图处理的计算效率。传统技术主要通过节点和边合并来减小图尺寸，但往往未能充分保留全局谱特性与局部结构细节。现实世界的图展现出固有的层次复杂性，包含准确分析所需的关键全局拓扑模式和局部结构特征。为解决这些局限性，我们提出了一种多粒度谱图收缩（MGSGC）框架，通过多粒度操作系统性地将谱图分析与局部结构保留相结合。我们的方法首先进行层次图分解，节点合并生成结构同质的子图。归一化拉普拉斯矩阵的谱分析指导迭代收缩优化，利用谱距离指标识别需要细化的子图。双分辨率机制同时保留全局谱特征和局部连接模式，确保宏观与微观结构信息的保留。在多个基准数据集上的全面实验表明，MGSGC优于近期方法，实现了更高的准确性、更优的结构保留以及对标签噪声的强鲁棒性，确保在实际场景中的稳健性能。代码可访问 https://anonymous.4open.science/r/MGSGC/。
Keyword:
Graph coarsening
Spectral information
Multi-granularity
Graph decomposition
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
.png){kind=icon}
Granular ball computing classifiers for efficient, scalable and robust learning颗粒球计算分类器，用于高效、可扩展和稳健的学习
PREAI
分享收藏分享收藏
查看更多内容