通过卷积匹配进行图粗化以实现可扩展的图神经网络训练
机器学习
2023-12-27 v1
摘要
图摘要作为预处理步骤，是可扩展图神经网络（GNN）训练的一种有效且互补的技术。本文提出了通过卷积匹配进行粗化（CONVMATCH）算法及其高度可扩展的变体A-CONVMATCH，用于创建保留图卷积输出的摘要图。我们在六个真实世界的链接预测和节点分类图数据集上评估了CONVMATCH，结果表明它在显著减小图大小的同时，高效且保持了预测性能。值得注意的是，在节点分类任务上，当训练图被摘要至原始图大小的1%时，CONVMATCH仍能达到GNN预测性能的95%。此外，在链接预测任务上，CONVMATCH始终优于所有基线，性能提升高达2倍。
引用
@article{arxiv.2312.15520,
title = {Graph Coarsening via Convolution Matching for Scalable Graph Neural Network Training},
author = {Charles Dickens and Eddie Huang and Aishwarya Reganti and Jiong Zhu and Karthik Subbian and Danai Koutra},
journal= {arXiv preprint arXiv:2312.15520},
year = {2023}
}