EXGC：在图压缩中兼顾效率与可解释性
机器学习
2024-02-12 v1
摘要
在 Web 数据等海量数据集上的图表示学习已取得显著进展。然而，相关的计算和存储开销引发了担忧。有鉴于此，图压缩（GCond）被引入，以将这些大型真实数据集蒸馏为更简洁但信息丰富的合成图。尽管已有加速尝试，现有的 GCond 方法仍主要受困于效率问题，尤其是在庞大的 Web 数据图上。因此，在本工作中，我们指出了当前范式的两个主要低效之处：（1）庞大参数集的并发更新，以及（2）显著的参数冗余。为了分别应对这两个限制，我们首先（1）采用平均场变分近似来加速收敛，然后（2）提出梯度信息瓶颈（GDIB）目标以修剪冗余。通过结合领先的解释技术（如 GNNExplainer 和 GSAT）来实例化 GDIB，我们提出了 EXGC，这是一种高效且可解释的图压缩方法，能够显著提升效率并注入可解释性。我们在八个数据集上的广泛评估突显了 EXGC 的优越性和相关性。代码可在 https://github.com/MangoKiller/EXGC 获取。
引用
@article{arxiv.2402.05962,
title = {EXGC: Bridging Efficiency and Explainability in Graph Condensation},
author = {Junfeng Fang and Xinglin Li and Yongduo Sui and Yuan Gao and Guibin Zhang and Kun Wang and Xiang Wang and Xiangnan He},
journal= {arXiv preprint arXiv:2402.05962},
year = {2024}
}