BriefGPT - AI 论文速递
·
两个交易不迷茫：通过构建合理梯度匹配来压缩图
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
为了解决图神经网络在处理大规模图时的计算挑战，提出了映射感知的图压缩 (MCond) 方法。通过学习原始节点到合成节点的映射，将新节点整合到合成图中进行学习。MCond 在归纳推理中有效，推理速度提高了121.5倍，存储需求降低了55.9倍。
🎯
关键要点
-
图神经网络在处理大规模图时面临计算挑战，限制了应用效力。
-
图压缩技术通过构建小的合成图来有效训练GNNs，但对未见数据处理能力不足。
-
推理阶段仍需原始大图进行信息传递，导致计算需求高。
-
提出映射感知的图压缩(MCond)方法，学习原始节点到合成节点的一对多映射。
-
MCond使得在合成图上进行信息传播比在原始大图上更高效。
-
MCond采用交替优化方案，促进图压缩和节点映射学习的相互促进。
-
大量实验证明MCond在归纳推理中的有效性。
-
在Reddit数据集上，MCond在推理速度上实现了121.5倍的加速，存储需求降低55.9倍。
➡️
