論文の概要: An Efficient and Scalable Graph Condensation with Structure-Preserving

• arxiv url: http://arxiv.org/abs/2605.31016v1
• Date: Fri, 29 May 2026 08:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.484532
• Title: An Efficient and Scalable Graph Condensation with Structure-Preserving
• Title（参考訳）: 構造保存による効率的かつスケーラブルなグラフ凝縮
• Abstract要約: グラフ凝縮(GC)は、リソース制約のあるシナリオにおけるグラフニューラルネットワーク(GNN)のデプロイを可能にするための重要な手段である。 既存のGC手法は、最適化とGNNアーキテクチャ間の一般化が不十分なため、計算不効率に悩まされることが多い。 本研究では,グラフ構造生成からノード凝縮を分離する構造保存(SP-ESGC)を用いた効率的なグラフ凝縮法を提案する。
• 参考スコア（独自算出の注目度）: 22.24436628820291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph condensation (GC) is pivotal for enabling Graph Neural Networks (GNNs) deployment in resource-constrained scenarios by compressing large-scale graphs into compact synthetic counterparts. Existing GC methods commonly suffer from computational inefficiency due to coupled optimization as well as encountering poor generalization across GNN architectures. To address these challenges, this study proposes an Efficient and Scalable Graph Condensation with Structure-Preserving (SP-ESGC), which possesses a decoupled design that separates node condensation from graph structure generation. Specifically, it first employs heat kernel feature propagation to generate node representation via spectral graph theory-inspired diffusion. Further, a novel hybrid clustering strategy is designed to extracts discriminative intra-class centroids from the node representation. Finally, a pre-trained edge predictor infers transferable structural patterns from the original graph, ensuring accurate synthetic graph generation. Extensive experiments on real-world graph datasets demonstrate that the proposed SP-ESGC implementes a precise GC with significantly high computational efficiency. Moreover, SP-ESGC also generalizes well across diverse GNN architectures.
• Abstract（参考訳）: グラフ凝縮(GC)は、大規模グラフをコンパクトな合成グラフに圧縮することにより、資源制約のあるシナリオにおけるグラフニューラルネットワーク(GNN)の展開を可能にするために重要である。 既存のGC手法は、最適化とGNNアーキテクチャ間の一般化が不十分なため、計算不効率に悩まされることが多い。 これらの課題に対処するために,ノードの凝縮をグラフ構造生成から分離する疎結合設計を持つ構造保存付き効率的でスケーラブルなグラフ凝縮法(SP-ESGC)を提案する。 具体的には、まず、スペクトルグラフ理論にインスパイアされた拡散によってノード表現を生成するために、熱カーネルの特徴伝搬を用いる。 さらに、ノード表現から識別可能なクラス内セントロイドを抽出するために、新しいハイブリッドクラスタリング戦略が設計されている。 最後に、事前訓練されたエッジ予測器は、元のグラフから転送可能な構造パターンを推定し、正確な合成グラフ生成を保証する。 実世界のグラフデータセットに関する大規模な実験により、提案したSP-ESGCは計算効率が著しく高い正確なGCを実装していることが示された。 さらに、SP-ESGCは多様なGNNアーキテクチャにまたがってよく一般化されている。

関連論文リスト

• Heterogeneous Graph Condensation via Role-Aware Clustering [22.24436628820291]
  HGC-RCは、単純で効果的なロールアウェアなヘテロジニアスグラフ凝縮フレームワークである。 具体的には、HGC-RCはまず、軽量な伝搬を通して意味的に強化されたノード埋め込みを抽出する。 次に、クラス分散を保存するロールアウェアなハイブリッドクラスタリング戦略と、非ターゲットノードに対する教師なし型のクラスタリングを導入している。
  論文  参考訳（メタデータ） (2026-07-03T08:34:11Z)
• HGC-Herd: Efficient Heterogeneous Graph Condensation via Representative Node Herding [17.632566656960673]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、多型ノード間の複雑なセマンティクスや関係をモデル化する強力な能力を示している。 HGC-Herdは、コンパクトだが情報に富む異種グラフを生成する訓練不要な凝縮フレームワークである。 ACM、DBLP、Freebaseに関する大規模な実験により、HGC-Herdはフルグラフトレーニングに匹敵するあるいは優れた精度が得られることが確認された。
  論文  参考訳（メタデータ） (2025-12-08T09:24:48Z)
• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• Efficient Graph Condensation via Gaussian Process [8.099774846541438]
  グラフ凝縮は、性能を維持しながら大きなグラフのサイズを減らす。 既存の手法はしばしば二段階最適化に依存しており、広範囲なGNNトレーニングとスケーラビリティの制限を必要とする。 本稿では,ガウス過程を用いたグラフ凝縮法(GCGP)を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:43:07Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Contrastive Graph Condensation: Advancing Data Versatility through Self-Supervised Learning [38.72627860431171]
  グラフ凝縮は、大規模原グラフのコンパクトで代替的なグラフを合成するための有望な解である。 本稿では、自己教師型代理タスクを取り入れたCTGC(Contrastive Graph Condensation)を導入し、元のグラフから批判的、因果的な情報を抽出する。 CTGCは、様々な下流タスクを限られたラベルで処理し、一貫して最先端のGCメソッドより優れている。
  論文  参考訳（メタデータ） (2024-11-26T03:01:22Z)
• Graph Condensation for Open-World Graph Learning [48.38802327346445]
  グラフ凝縮(GC)は、グラフニューラルネットワーク(GNN)を効率的に訓練するための有望な加速ソリューションとして登場した。 既存のGCメソッドは、単に観測された静的グラフ分布と凝縮グラフの整合性に制限される。 しかし、現実のシナリオでは、グラフは動的で常に進化しており、新しいノードとエッジが継続的に統合されている。 グラフパターンの進化をシミュレートするために構造対応分散シフトを統合する,堅牢なGCフレームワークであるOpenGCを提案する。
  論文  参考訳（メタデータ） (2024-05-27T09:47:09Z)
• Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
  グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。 既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。 我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
  論文  参考訳（メタデータ） (2024-05-22T14:57:09Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。