基于剪枝元素的对抗擦除：迈向更优的图彩票票

图彩票票（GLT）作为核心子图与稀疏子网络的组合，被提出用于降低深度图神经网络（GNN）在大型输入图上的计算成本，同时保持原有性能。然而，现有研究中获胜的 GLT 是通过应用基于幅度的迭代剪枝（IMP）获得的，而未对剪枝信息进行重新评估和重新考量，这忽视了图/模型结构剪枝过程中边/权重重要性的动态变化，从而限制了获胜彩票票的吸引力。在本文中，我们提出一个猜想，即被剪枝的图连接和模型参数中存在现有方法忽略的有价值信息，可将其重新组合进 GLT 以提升最终性能。具体而言，我们提出一种对抗互补擦除（ACE）框架，从剪枝组件中挖掘有价值信息，从而开发出更强大的 GLT，称为 ACE-GLT。其主要思想是在每轮 IMP 后从剪枝的边/权重中挖掘有价值信息，并采用 ACE 技术精炼 GLT 处理过程。最后，实验结果表明，我们的 ACE-GLT 在多种任务中优于现有的 GLT 搜索方法。我们的代码将公开可用。