Structure-Coupled Generative Graph Condensation

Huidong Wu

doi:10.1109/tkde.2026.3747865

Structure-Coupled Generative Graph Condensation

2026-10-27

0

PRE

AI

DOI：10.1109/tkde.2026.3747865

原文链接

摘要

En 中文

图结构数据规模的不断增长给图神经网络带来了显著的计算挑战。图压缩（GC）通过合成保留任务关键信息的小图来解决这些瓶颈，从而促进高效的下游处理。大多数现有的GC方法采用数据集压缩中的匹配目标思想，首先优化节点特征，然后基于节点相似性构建边。然而，这种范式割裂了实体及其连接模式之间的固有相互依赖关系，导致压缩图性能欠佳并限制了其泛化能力。该问题在异配性图中尤为突出，其中相似节点通常不直接相连。在本文中，我们提出了结构耦合生成图压缩（SCGC），一种新颖的生成框架，它在一个统一的潜在空间中联合建模节点特征和关系结构。SCGC通过结构耦合编码器将节点特征和增强的边表示编码到共享的潜在空间中。然后，它提炼类别感知原型以建立类特定锚点。采用标签引导的条件潜在扩散过程来优化这些锚点，同时保留任务相关的语义。最后，压缩后的特征矩阵和邻接结构在单个解码步骤中同时生成。在七个数据集上的实验表明，SCGC在齐配性和异配性图上都实现了最先进的精度，同时证实了其在不同架构间的可迁移性和运行时性能的可扩展性。

Keyword:

Graph Condensation

Graph Neural Networks

Latent Diffusion Model

Graph Generation

Relational Structure

Structure-Coupled Generative Graph Condensation

摘要

期刊

机构

引用论文