从因果视角出发的可迁移图状语 condenation
机器学习
2026-05-28 v4
摘要
图数据集的规模不断增大，显著提升了图表示学习方法的性能，但也带来了实际的训练挑战。图数据集 condenation 技术应运而下，将大规模数据集压缩为小规模且信息丰富的数据集，同时保持相似的测试性能。然而，这些方法严格要求下游应用匹配原始数据集和任务，往往在跨任务和跨域场景中难以实现。为此，本文提出一种基于因果不变性和可迁移性的图数据集 condenation 方法，命名为TGCC，提供有效且可迁移的压缩数据集。具体而言，为保留领域不变知识，首先通过因果干预从图的空间域中提取因果不变特征。随后进行增强的 condenation 操作，以充分捕获原始图的结构和特征信息。最后，通过谱域增强的对比学习，将因果不变特征注入压缩图中，确保压缩图保留原始图的因果信息。在五个公开数据集和我们新构建的FinReport数据集上进行实验，表明TGCC在跨任务和跨域复杂场景下相较于现有方法实现了最高13.41%的改进，在单数据集和单任务场景下的5个数据集中实现了最先进性能。
引用
@article{arxiv.2601.21309,
title = {Transferable Graph Condensation from the Causal Perspective},
author = {Huaming Du and Yijie Huang and Su Yao and Yiying Wang and Yueyang Zhou and Jingwen Yang and Jinshi Zhang and Han Ji and Yu Zhao and Guisong Liu and Hegui Zhang and Carl Yang and Gang Kou},
journal= {arXiv preprint arXiv:2601.21309},
year = {2026}
}