基于监督粒球图粗化的可扩展图神经网络训练
机器学习
2024-12-19 v1
摘要
图神经网络（GNNs）在处理图数据方面取得了显著成就，但可扩展性仍然是一个重大挑战。为了解决这个问题，已经开发了许多图粗化方法。然而，大多数现有的粗化方法依赖于训练，导致效率较低，并且它们都需要预定义的粗化率，缺乏自适应方法。在本文中，我们采用粒球计算来有效压缩图数据。我们基于纯度阈值迭代地将图分割成粒球，并使用这些粒球作为超级顶点，从而构建一个粗化图网络。该粒化过程显著减小了原始图的规模，从而大大提高了 GNNs 的训练效率和可扩展性。此外，我们的算法可以在不需要预定义粗化率的情况下自适应地执行分割。实验结果表明，我们的方法实现了与在原始图上训练相当的准确性。噪声注入实验进一步表明我们的方法表现出鲁棒的性能。此外，我们的方法可以将图规模缩小至 20 倍而不影响测试准确性，从而大幅增强了 GNNs 的可扩展性。
引用
@article{arxiv.2412.13842,
title = {Graph Coarsening via Supervised Granular-Ball for Scalable Graph Neural Network Training},
author = {Shuyin Xia and Xinjun Ma and Zhiyuan Liu and Cheng Liu and Sen Zhao and Guoyin Wang},
journal= {arXiv preprint arXiv:2412.13842},
year = {2024}
}