.png){kind=icon}
返回
RobGC: Towards Robust Graph Condensation
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3569629.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模图日益普及给图神经网络（GNNs）的训练带来了显著挑战，因其计算需求限制了GNNs在多种场景中的应用。为应对这一挑战，图压缩（GC）被提出作为一种有前景的加速解决方案，专注于生成信息丰富的紧凑图，以实现GNNs的高效训练并保持性能。尽管具有加速GNN训练的潜力，现有GC方法在训练和推理阶段均忽视了大型训练图的质量。它们不加区分地模拟训练图分布，使压缩后的图易受训练图中噪声的影响，并显著阻碍了GC在复杂现实场景中的应用。为解决此问题，我们提出了鲁棒图压缩（RobGC），一种用于GC的即插即用方法，旨在扩展压缩图在噪声图结构环境中的鲁棒性和适用性。具体而言，RobGC利用压缩图作为反馈信号，指导原始训练图上的去噪过程。采用基于标签传播的交替优化策略进行压缩和去噪过程，有助于压缩图和训练图之间的相互净化。此外，作为一种专为归纳图推理设计的GC方法，RobGC通过利用无噪声的压缩图来校准测试图结构，从而促进测试时的图去噪。大量实验表明，RobGC与各种GC方法兼容，显著提升了它们的鲁棒性。
Keyword:
Graph condensation
graph structure learning
期刊
IF:
10.4
论文数:
6.8K
被引数:
3.2W
机构
引用论文
.png){kind=icon}
查看更多内容