論文の概要: Position: Graph Condensation Needs a Reset -- Move Beyond Full-dataset Training and Model-Dependence

• arxiv url: http://arxiv.org/abs/2605.18893v2
• Date: Wed, 20 May 2026 06:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.887233
• Title: Position: Graph Condensation Needs a Reset -- Move Beyond Full-dataset Training and Model-Dependence
• Title（参考訳）: 位置: グラフの凝縮にはリセットが必要だ - フルデータセットのトレーニングとモデル依存を超えて
• Authors: Mridul Gupta, Samyak Jain, Vansh Ramani, Hariprasad Kodamana, Sayan Ranu,
• Abstract要約: グラフの凝縮は、現在の形では、リセットが必要であると我々は主張する。 私たちは、フルデータセットのトレーニングとモデルに依存した設計を超えて移行することを呼びかけています。 我々は、凝縮の真の約束を果たすアプローチに向けて、分野を再編成することを目指している。
• 参考スコア（独自算出の注目度）: 26.234880574328823
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Neural Networks (GNNs) are powerful tools for learning from graph-structured data, but their scalability is increasingly strained by the size of real-world graphs in domains like recommender systems, fraud detection, and molecular biology. Graph condensation -- the task of generating a smaller synthetic graph that retains the performance of models trained on the original -- has emerged as a promising solution. However, the dominant approach of gradient matching introduces a fundamental contradiction: it requires training on the full dataset to create the compressed version, thereby undermining the goal of efficiency. Worse still, these methods suffer from high computational overhead, poor generalization across GNN architectures, and brittle reliance on specific model configurations. Equally concerning is the community's reliance on misleading evaluation protocols such as node compression ratios, which fail to reflect true resource savings, condensation overhead, and illusory application to neural architecture search. These shortcomings are not incidental -- they are systemic, and they obstruct meaningful progress. In this position paper, we argue that graph condensation, in its current form, needs a reset. We call for moving beyond full-dataset training and model-dependent design, and instead advocate for methods that are lightweight, architecture-agnostic, and practically deployable. By identifying key methodological flaws and outlining concrete research directions, we aim to reorient the field toward approaches that deliver on the true promise of condensation: efficient, generalizable, and usable GNN training at scale.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,グラフ構造化データから学ぶための強力なツールだが,レコメンデータシステムや不正検出,分子生物学といった領域における現実的なグラフのサイズによって,スケーラビリティはますます悪化している。 グラフ凝縮(Graph condensation) — オリジナルのモデルでトレーニングされたモデルのパフォーマンスを維持する、より小さな合成グラフを生成するタスク — が、有望なソリューションとして登場した。 しかし、勾配マッチングの主流のアプローチには根本的な矛盾があり、圧縮されたバージョンを作成するには完全なデータセットのトレーニングが必要であるため、効率性の目標が損なわれる。 さらに悪いことに、これらの手法は高い計算オーバーヘッド、GNNアーキテクチャ間の一般化の欠如、特定のモデル構成への不安定な依存に悩まされている。 同様に、コミュニティはノード圧縮比のような誤解を招く評価プロトコルに依存しており、これは真のリソースの節約、凝縮オーバーヘッド、ニューラルネットワーク探索へのイラストリーな応用を反映していない。 これらの欠点は偶然ではなく、体系的であり、意味のある進歩を妨げる。 この位置紙では、グラフの凝縮が現在の形では、リセットが必要であると論じる。 私たちは、フルデータセットのトレーニングやモデルに依存した設計を超えて、軽量でアーキテクチャに依存しない、事実上デプロイ可能なメソッドを提唱することを呼びかけています。 重要な方法論的欠陥を特定し,具体的な研究の方向性を概説することによって,大規模GNNトレーニングの効率化,一般化,使用可能なGNNトレーニングという,凝縮の真の約束を果たすアプローチに向けて,分野を再考することを目指している。

関連論文リスト

• Multi-view Graph Condensation via Tensor Decomposition [3.3346316632716313]
  グラフニューラルネットワーク(GNN)は、薬物発見、物体検出、ソーシャルメディア分析、レコメンダシステム、テキスト分類など、様々な現実世界の応用において顕著な結果を示してきた。 巨大なポテンシャルとは対照的に、それらを大規模グラフでトレーニングすることは、そのストレージと処理に必要なリソースのため、重大な計算上の課題を示す。 グラフ凝縮は、GNNの予測性能を維持しながら、元のグラフの本質的な情報を保存する合成コンパクトグラフを学習することで、これらの要求を減らすための有望な解決策として現れてきた。
  論文  参考訳（メタデータ） (2025-08-20T01:02:18Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A Graph Data Augmentation Strategy with Entropy Preserving [11.886325179121226]
  本稿では,グラフ間の特徴情報を評価するための定量的指標として,新しいグラフエントロピー定義を提案する。 グラフエントロピーの保存を考慮し、摂動機構を用いてトレーニングデータを生成する効果的な方法を提案する。 提案手法はトレーニング過程におけるGCNの堅牢性と一般化能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-07-13T12:58:32Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。