基于自适应时空图神经网络的图型获奖票识别预训练

本文提出一种新方法，通过引入图型获奖票（Graph Winning Ticket, GWT）的概念，显著提升自适应时空图神经网络（ASTGNNs）的计算效率。该方法基于彩票假设（Lottery Ticket Hypothesis, LTH）推导而来。我们采用预先确定的星型拓扑作为GWT先验，以平衡边缘减少与高效信息传播，降低计算需求同时保持高模型性能。生成自适应时空图的时间复杂度和内存复杂度从 $\mathcal{O}(N^2)$ 显著降低至 $\mathcal{O}(N)$。我们的做法通过消除耗费的训练、剪枝和再训练循环，简化了ASTGNN的部署，并在多个数据集上证明，能够以大幅降低的计算成本实现与完整模型相当的性能。具体而言，我们的方法使使用单张48GB内存的A6000即可训练ASTGNNs于最大规模时空数据集，克服了原始训练中的内存不足问题，甚至实现了最先进的性能。进一步，我们从谱图理论的角度深入分析GWT的有效性，提供了实质性的理论支持。这一进展不仅证明了ASTGNNs中存在高效子网络，也拓宽了LTH在资源受限环境中的适用性，标志着图神经网络领域的重要进展。代码已公开于 https://anonymous.4open.science/r/paper-1430。