实体
Graph condensation
Graph condensation
PulseAugur coverage of Graph condensation — every cluster mentioning Graph condensation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
综述论文详述增强图学习中的公平性挑战
一篇题为《增强图学习中的公平性：一篇综述》的新综述论文，探讨了将专业机器学习技术集成到图学习中引入的独特公平性挑战。该论文（称为 FairGX）识别了增强图学习（AGL）方法（如联邦学习和图 Transformer）中传统框架无法解决的新型偏见来源。它对现有文献进行了分类，分析了不同机器学习范式对算法公平性的影响，并概述了五个未来研究方向，包括公平性-隐私协同以及公平性感知的 LLM4Graph/Graph4LLM。
-
新的GECC方法实现了可扩展、不断发展的图压缩
研究人员开发了GECC，一种新颖的持续图压缩框架，旨在处理大规模和不断发展的图数据。与假设静态训练集的先前方法不同，GECC允许在不进行昂贵重新训练的情况下高效更新蒸馏图，使其适用于动态数据流。该方法利用聚合特征上的类簇聚类，并将先前的压缩结果作为质心进行扩展，表现出卓越的性能，在大数据集上实现了约1000倍的加速。
-
论文认为图压缩方法需要重置
一篇新的观点论文认为，当前用于图压缩（一种旨在使图神经网络（GNN）更具可扩展性的技术）的方法存在根本性缺陷。该论文指出，现有方法需要对整个数据集进行训练，从而抵消了效率提升，并且在计算成本高昂和跨不同GNN架构的泛化能力差方面存在问题。作者呼吁该领域进行重置，提倡轻量级、与架构无关的方法，这些方法可以实际部署以实现GNN训练的真正效率。