面向大规模图节点分类的高效可扩展粒球图粗化方法
机器学习
2026-04-15 v2 人工智能
摘要
图卷积网络(GCN)是一种能有效处理图数据任务并已成功应用的模型。然而，对于大规模图数据集，GCN仍面临计算开销高的挑战，尤其是在图卷积层数较多时。目前，许多先进方法使用各种采样技术或图粗化技术来缓解训练过程中的不便。然而，在这些方法中，有些忽略了图结构中的多粒度信息，而有些粗化方法的时间复杂度仍然较高。针对这些问题，基于我们之前的工作，本文提出了一种新的框架，称为面向大规模图节点分类的高效可扩展粒球图粗化方法。具体来说，该方法首先使用一种多粒度粒球图粗化算法对原始图进行粗化，以获得许多子图。该阶段的时间复杂度是线性的，远低于现有的图粗化方法。然后，由这些粒球组成的子图被随机采样以形成小批量用于训练GCN。我们的算法能够自适应地显著降低原始图的规模，从而提升GCN的训练效率和可扩展性。最终，在多个数据集上的节点分类实验结果表明，本文提出的方法表现出优越的性能。代码可在 https://anonymous.4open.science/r/1-141D/ 获取。
引用
@article{arxiv.2603.29148,
title = {Efficient and Scalable Granular-ball Graph Coarsening Method for Large-scale Graph Node Classification},
author = {Guan Wang and Shuyin Xia and Lei Qian and Tao Wu and Guoyin Wang and Yi Wang and Wei Wang},
journal= {arXiv preprint arXiv:2603.29148},
year = {2026}
}