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。

本文介绍了一种名为映射感知的图压缩技术（MCond），它能够有效地训练图神经网络（GNNs）并保持性能。MCond 通过学习原始节点到合成节点的一对多映射，将新节点整合到合成图中进行归纳表示学习，从而在推理阶段更高效地进行信息传播。