具有双层判别的锚点引导超图压缩
机器学习
2026-05-12 v1
摘要
大规模超图的日益普及给超图神经网络(HNN)训练带来了巨大的计算挑战。为解决此问题,超图压缩(HGC)将大型真实超图蒸馏为紧凑且信息丰富的合成超图,超越了局限于成对关系的图压缩(GC)方法。然而,现有的 HGC 方法依赖于解耦的训练架构,其中结构生成器在原始超图上预训练,但在细化过程中未与压缩特征联合优化,导致结构错配并降低下游效用。此外,基于轨迹的优化在细化过程中产生大量计算开销,限制了压缩效率。为解决这些问题,我们提出了具有双层判别的锚点引导超图压缩(AHGCDD),它包含三个关键组件:(1)基于热核 PageRank (HKPR) 的节点初始化模块,用于将结构知识编码到特征语义中;(2)锚点引导的超边合成策略,用于压缩特征和结构的联合优化;(3)具有理论依据的双层判别目标,用于在无需冗余 HNN 训练的情况下实现保持效用的压缩。大量实验证明了 AHGCDD 的卓越有效性和效率。
引用
@article{arxiv.2605.10001,
title = {Anchor-guided Hypergraph Condensation with Dual-level Discrimination},
author = {Fan Li and Xiaoyang Wang and Chen Chen and Wenjie Zhang},
journal= {arXiv preprint arXiv:2605.10001},
year = {2026}
}
备注
This paper has been accepted by ICML 2026