Graphenkondensation für Open-World-Graphenlernen

Das wachsende Volumen von Graphdaten stellt erhebliche rechnerische Herausforderungen beim Training von Graph-Neuronalen-Netzen (GNNs) dar, was deren Effizienz in verschiedenen Anwendungen kritisch beeinträchtigt. Um diese Herausforderung zu bewältigen, hat sich die Graphenkondensation (GC) als vielversprechende Beschleunigungslösung herauskristallisiert, die sich auf die Synthese eines kompakten, aber repräsentativen Graphen konzentriert, um GNNs effizient zu trainieren und gleichzeitig die Leistung zu erhalten. Trotz des Potenzials, die skalierbare Nutzung von GNNs zu fördern, sind bestehende GC-Methoden auf die Anpassung des kondensierten Graphen an lediglich die beobachtete statische Graphverteilung beschränkt. Diese Einschränkung schränkt die Generalisierungsfähigkeit der kondensierten Graphen erheblich ein, insbesondere bei der Anpassung an dynamische Verteilungsänderungen. In realen Szenarien sind Graphen jedoch dynamisch und entwickeln sich ständig weiter, wobei ständig neue Knoten und Kanten integriert werden. Infolgedessen führt die eingeschränkte Generalisierungsfähigkeit der kondensierten Graphen dazu, dass Anwendungen, die GC für effizientes GNN-Training nutzen, bei sich entwickelnden Graphstrukturen und -verteilungen in dynamischen realen Situationen suboptimale GNNs hervorrufen. Um dieses Problem zu überwinden, schlagen wir die Open-World-Graphenkondensation (OpenGC) vor, ein robustes GC-Rahmenwerk, das strukturbewusste Verlagerungen der Verteilung integriert, um sich entwickelnde Graphmuster zu simulieren und die zeitlichen Umgebungen für invarianten Kondensierung zu nutzen. Dieser Ansatz ist darauf ausgelegt, zeitlich invarianten Muster aus dem ursprünglichen Graphen zu extrahieren und somit die Generalisierungsfähigkeiten des kondensierten Graphen und folglich der darauf trainierten GNNs zu verbessern. Umfassende Experimente sowohl an realen als auch an synthetischen sich entwickelnden Graphen zeigen, dass OpenGC die aktuell besten (SOTA) GC-Methoden in der Anpassung an dynamische Veränderungen in offenen Graphumgebungen übertrifft.