简单图压缩

大规模图上繁重的训练成本引起了人们对图压缩的极大兴趣，该任务涉及在小型压缩图上调优图神经网络（GNN），以便在原始大规模图上使用。现有方法主要侧重于对齐压缩图和原始图之间的关键指标，如梯度、输出分布和GNN的轨迹，在下游任务中取得了令人满意的性能。然而，这些复杂的指标需要复杂的外部参数，并可能破坏压缩图的优化过程，使得压缩过程要求极高且不稳定。受近期简化模型在各个领域取得成功的启发，我们提出了一种简化的图压缩指标对齐方法，旨在减少继承自复杂指标的不必要复杂性。我们引入了简单图压缩（SimGC）框架，该框架在原始图上预训练的简单图卷积（SGC）模型的指导下，从输入层到预测层对齐压缩图与原始图。重要的是，SimGC消除了外部参数，并在压缩过程中仅保留目标压缩图。这种简单而有效的策略与现有的图压缩方法相比实现了高达10倍的显著加速，同时性能与最先进的基线相当。在七个基准数据集上进行的综合实验证明了SimGC在预测精度、压缩时间和泛化能力方面的有效性。我们的代码可在 https://github.com/BangHonor/SimGC 获取。