論文の概要: A Survey on Graph Condensation

• arxiv url: http://arxiv.org/abs/2402.02000v1
• Date: Sat, 3 Feb 2024 02:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 23:03:50.575789
• Title: A Survey on Graph Condensation
• Title（参考訳）: グラフ凝縮に関する調査
• Authors: Hongjia Xu, Liangliang Zhang, Yao Ma, Sheng Zhou, Zhuonan Zheng, Bu Jiajun
• Abstract要約: グラフ凝縮(GC)は、グラフデータのエスカレーション量から生じる課題に対処するソリューションとして登場した。 GCをより深く理解し、他の関連するトピックと区別するために、GCの正式な定義を示し、分類を確立します。 我々は、課題と限界に対処し、今後の方向性を概説し、この分野における今後の研究を促すための簡潔なガイドラインを提供することで、結論付けます。
• 参考スコア（独自算出の注目度）: 14.94630644865636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analytics on large-scale graphs have posed significant challenges to computational efficiency and resource requirements. Recently, Graph condensation (GC) has emerged as a solution to address challenges arising from the escalating volume of graph data. The motivation of GC is to reduce the scale of large graphs to smaller ones while preserving essential information for downstream tasks. For a better understanding of GC and to distinguish it from other related topics, we present a formal definition of GC and establish a taxonomy that systematically categorizes existing methods into three types based on its objective, and classify the formulations to generate the condensed graphs into two categories as modifying the original graphs or synthetic completely new ones. Moreover, our survey includes a comprehensive analysis of datasets and evaluation metrics in this field. Finally, we conclude by addressing challenges and limitations, outlining future directions, and offering concise guidelines to inspire future research in this field.
• Abstract（参考訳）: 大規模グラフの分析は、計算効率とリソース要件に重大な課題をもたらした。 近年,グラフデータの増大に伴う課題を解決するソリューションとして,グラフ凝縮(gc)が登場している。 GCの動機は、ダウンストリームタスクに不可欠な情報を保持しながら、大きなグラフのスケールを小さくすることです。 GCをよりよく理解し、他の関連するトピックと区別するために、GCの形式的定義を示し、既存のメソッドをその目的に基づいて体系的に3つのタイプに分類する分類を確立し、凝縮グラフを生成するための定式化を、2つのカテゴリに分類する。 さらに,この分野におけるデータセットと評価指標の包括的分析も行なっている。 最後に、課題と限界に取り組み、今後の方向性を概説し、この分野の将来研究を刺激するための簡潔なガイドラインを提供することで締めくくります。

関連論文リスト

• A Comprehensive Survey on Graph Reduction: Sparsification, Coarsening, and Condensation [21.76051896779245]
  本研究の目的は,グラフスペーシング,グラフ粗化,グラフ凝縮など,グラフ縮小手法の包括的理解を提供することである。 そこで本研究では,これらの手法の技術的詳細を体系的にレビューし,様々なシナリオにまたがる実践的応用を強調した。
  論文  参考訳（メタデータ） (2024-01-29T01:19:09Z)
• Graph Condensation: A Survey [49.41718583061147]
  グラフデータの急速な成長は、ストレージ、送信、特にグラフニューラルネットワーク(GNN)のトレーニングにおいて大きな課題をもたらす。 これらの課題に対処するために、グラフ凝縮(GC)が革新的な解決策として登場した。 GCはコンパクトだが非常に代表的なグラフに重点を置いており、トレーニングされたGNNが元の大きなグラフでトレーニングされたグラフに匹敵するパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-01-22T06:47:00Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
  過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。 今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。 我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
  論文  参考訳（メタデータ） (2023-02-13T05:43:24Z)
• Knowledge Distillation on Graphs: A Survey [43.60992916277081]
  グラフ上の知識蒸留(KDG)は、より小さいが効果的なモデルを構築し、データからより多くの知識を活用するために導入された。 我々は、KDGの課題と基盤を紹介し、KDGの既存の成果を分類し、要約する。
  論文  参考訳（メタデータ） (2023-02-01T03:51:05Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。