图彩票假设：寻找稀疏且富含信息的图结构

图学习方法有助于利用数据项之间的隐含关系，从而降低训练标签需求并提升任务性能。然而，为特定学习任务确定最优图结构仍是一个具有挑战性的研究问题。在这项工作中，我们提出了图彩票（GLT）假设——即每个图都存在一个极其稀疏的骨干，并且图学习算法在该子图上训练时可以获得与在全图上训练相当的性能。我们识别并系统研究了8个直接影响图学习算法性能的关键指标。随后，我们定义了图结构的“中奖彩票”概念——一个极其稀疏的边子集，能够稳健地近似整个图的性能。我们提出了一种直接且高效的算法，用于在任意图中寻找这些GLT。实验表明，不同图学习算法在平均度低至5的图上的性能可以达到甚至超越其在全图上的表现。