基于图坍塌的可扩展拓扑保持图粗化
机器学习
2026-02-02 v1
摘要
图粗化在保持某些属性的同时减少图的大小。大多数现有方法要么保留谱特征，要么保留空间特征。最近的研究表明，保持拓扑特征有助于维持在粗化图上训练的图神经网络 (GNN) 的预测性能，但 suffers from 指数级时间复杂度。为此，我们提出一种可扩展拓扑保持图粗化方法 (STPGC)，通过引入图强度坍塌和图边缘坍塌概念（源自代数拓扑）来实现。STPGC 包含三个新算法：GStrongCollapse、GEdgeCollapse 和 NeighborhoodConing，这些算法在严格保持拓扑特征的同时消除支配节点和边缘。我们进一步证明了 STPGC 保持 GNN 感受野，并开发近似算法以加速 GNN 训练。在节点分类的 GNN 实验中，STPGC 的效率和有效性得到了验证。
引用
@article{arxiv.2601.22943,
title = {Scalable Topology-Preserving Graph Coarsening with Graph Collapse},
author = {Xiang Wu and Rong-Hua Li and Xunkai Li and Kangfei Zhao and Hongchao Qin and Guoren Wang},
journal= {arXiv preprint arXiv:2601.22943},
year = {2026}
}