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。

图压缩将大图压缩为小型合成图，以提升图神经网络训练效率。研究采用梯度匹配、分布匹配、特征基匹配等方法，在Reddit、Flickr等数据集上大幅缩小图规模并保持性能。最新提出的映射感知图压缩MCond支持归纳推理，在Reddit上实现121.5倍推理加速和55.9倍存储降低。

本文综述图压缩技术，将大图压缩为小型合成图以高效训练图神经网络，涵盖梯度匹配、数据集精简、连续图学习和归纳推理等方法，在Reddit等数据集上实现超99%压缩率，并提升推理速度、降低存储需求。

图压缩将大图压缩为小型合成图以降低图神经网络训练成本。研究通过梯度匹配和特征基匹配（GCEM）缓解谱偏差，提出结构自由压缩（SFGC）和映射感知压缩（MCond）支持归纳推理，在Reddit上实现121.5倍推理加速；并提出连续图学习框架CaT及感受野分布匹配等方法，在保持性能的同时将图规模缩小99%以上。

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%。