两篇新的研究论文提出了图压缩和粗化的新方法，旨在提高图神经网络（GNN）的效率和可扩展性。第一篇论文 SP-ESGC 引入了一种解耦方法，将节点表示生成与合成图创建分开，展示了显著的计算效率和跨 GNN 架构的广泛泛化能力。第二篇论文 STPGC 利用代数拓扑学的概念开发了在减小图尺寸的同时保留图拓扑的算法，证明了其在加速节点分类等任务的 GNN 训练方面的有效性。 AI
影响 这些新的图压缩和粗化技术可以使 GNN 在资源受限的环境中得到更广泛的部署，并加速基于图的复杂 AI 任务的训练。
排序理由 两篇在 arXiv 上发表的学术论文，提出了图压缩和粗化的新算法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.31016v1 Announce Type: new 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 fro…
arXiv:2601.22943v2 Announce Type: replace Abstract: Graph coarsening reduces the size of a graph while preserving certain properties. Most existing methods preserve either spectral or spatial characteristics. Recent research shows that topology-preserving coarsening methods maint…