基于数据选择的无训练异构图条件化
机器学习
2024-12-24 v1
摘要
大规模异构图的高效训练在现实应用中至关重要。然而，现有方法通常探索简化模型来缓解资源和时间开销，忽视了从数据中心视角简化大规模异构图的关键方面。为弥补这一差距，HGCond 引入了异构图的图条件化 (GC)，并生成小型条件化图以实现高效模型训练。尽管 HGCond 在图生成方面效果显著，但 HGCond 面临两个显著局限性。第一个是有效性低下，HGCond 过度依赖于最简单的 relay 模型进行条件化程序，这限制了发挥强大异构图神经网络 (HGNNs) 的能力，限制了灵活条件化比例和泛化能力。第二个是效率低下，HGCond 遵循针对均质图的现有 GC 方法，利用复杂的优化范式，导致耗时的条件化程序。鉴于这些挑战，我们提出了首个无训练异构图条件化方法，称为 FreeHGC，促进异构条件化图的高质量生成。具体而言，我们将异构图条件化问题重新表述为数据选择问题，为评估和条件化异构图中代表性节点和边提供了新视角。通过利用丰富的 meta-path，我们引入一种新的高质量异构数据选择标准以选择目标类型节点。此外，设计了两种无训练条件化策略用于异构图，有效地对 condense 和合成 other-types 节点。
引用
@article{arxiv.2412.16250,
title = {Training-free Heterogeneous Graph Condensation via Data Selection},
author = {Yuxuan Liang and Wentao Zhang and Xinyi Gao and Ling Yang and Chong Chen and Hongzhi Yin and Yunhai Tong and Bin Cui},
journal= {arXiv preprint arXiv:2412.16250},
year = {2024}
}