本文研究了图形凝聚（GC），提出了四个评估标准，并探讨了优化策略及其应用。介绍了大规模图压缩基准GCondenser，分析了图压缩的定义、分类及评估指标，提出了高效的图压缩方法EXGC，显著提升了效率和可解释性。研究表明，压缩后的图在多种数据集上表现优异，推动了图神经网络的训练效率。

本文研究了图卷积神经网络（GNNs）的图压缩问题，提出了一种映射感知的图压缩方法（MCond），通过优化节点映射和图压缩，提高了推理速度和存储效率。实验结果表明，MCond在多个数据集上显著优于传统方法，实现了121.5倍的加速和55.9倍的存储需求降低。

本文研究了图卷积神经网络（GNNs）的图压缩问题，提出了多种方法以提高训练效率。通过优化节点特征和结构信息，将大图成功压缩为小图，测试结果在多个数据集上显示出显著的性能提升。研究还探讨了图压缩的挑战及未来方向，提出了映射感知图压缩（MCond）和可扩展图压缩方法（DisCo），有效解决了计算需求和泛化能力问题。

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）。MCond通过学习原始节点到合成节点的映射，实现高效的信息传播。实验证明，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。

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。

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。

本文研究了图卷积神经网络的图压缩问题，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，将不同图数据集压缩成信息丰富的较小图并用于训练各种GNN体系结构。测试结果表明，在Reddit、Flickr和Citeseer上，压缩后的图的尺寸缩小了99.9%以上，同时准确率分别为95.3%、99.8%和99.0%。