GC-Bench：用于图条件压缩的开放统一基准
机器学习
2024-11-25 v2
摘要
图条件压缩（GC）最近因其能够在保留原始图基本特性的同时大幅度减少大规模图数据集而引起广泛关注。GC的核心概念是创建更小、更易管理的图，同时保留原始图的特征。尽管近年来开发了大量图条件压缩方法，但尚无综合评估和深入分析，这成为理解该领域进展的重要障碍。为填补这一空白，我们开发了全面的图条件压缩基准（GC-Bench），系统性地探讨图条件压缩在不同情景下的特性。具体而言，GC-Bench从以下维度系统性地考察图条件压缩的特性：有效性、可迁移性和复杂度。我们全面评估了12种最先进的图条件压缩算法在节点级和图级任务中的表现，并分析其在12个多样化图数据集上的性能。此外，我们开发了一个易用的库，用于训练和评估不同GC方法，以促进可重复研究。GC-Bench库已开源发布。
引用
@article{arxiv.2407.00615,
title = {GC-Bench: An Open and Unified Benchmark for Graph Condensation},
author = {Qingyun Sun and Ziying Chen and Beining Yang and Cheng Ji and Xingcheng Fu and Sheng Zhou and Hao Peng and Jianxin Li and Philip S. Yu},
journal= {arXiv preprint arXiv:2407.00615},
year = {2024}
}
备注
Accepted by NeurIPS 2024