Condensación de Gráficos para el Aprendizaje de Gráficos en un Mundo Abierto

El creciente volumen de datos gráficos presenta desafíos computacionales significativos en el entrenamiento de redes neuronales gráficas (GNNs), lo que obstaculiza críticamente su eficiencia en diversas aplicaciones. Para abordar este desafío, la condensación de gráficos (GC) ha surgido como una solución de aceleración prometedora, centrada en la síntesis de un gráfico compacto pero representativo para entrenar GNNs de manera eficiente mientras se mantiene el rendimiento. A pesar del potencial para promover el uso escalable de GNNs, los métodos de GC existentes están limitados a alinear el gráfico condensado únicamente con la distribución gráfica estática observada. Esta limitación restringe de manera significativa la capacidad de generalización de los gráficos condensados, particularmente en la adaptación a cambios dinámicos en la distribución. Sin embargo, en escenarios del mundo real, los gráficos son dinámicos y están en constante evolución, con nuevos nodos y bordes que se integran continuamente. En consecuencia, debido a la limitada capacidad de generalización de los gráficos condensados, las aplicaciones que emplean GC para un entrenamiento eficiente de GNN terminan con GNN subóptimas cuando se enfrentan a estructuras y distribuciones gráficas en evolución en situaciones dinámicas del mundo real. Para superar este problema, proponemos la condensación de gráficos en un mundo abierto (OpenGC), un marco robusto de GC que integra el desplazamiento de distribución consciente de la estructura para simular patrones de gráficos en evolución y aprovechar los entornos temporales para la condensación invariante. Este enfoque está diseñado para extraer patrones invariantes temporales del gráfico original, mejorando así las capacidades de generalización del gráfico condensado y, posteriormente, de las GNNs entrenadas sobre él. Además, para apoyar la recondensación periódica y acelerar la actualización del gráfico condensado en el aprendizaje gráfico a lo largo de la vida, OpenGC reconstruye el sofisticado esquema de optimización con regresión de cresta del núcleo y convolución gráfica no paramétrica, acelerando significativamente el proceso de condensación mientras se garantizan las soluciones exactas. Amplios experimentos en gráficos en evolución tanto del mundo real como sintéticos demuestran que OpenGC supera a los métodos de GC de última generación (SOTA) en la adaptación a cambios dinámicos en entornos de gráficos en un mundo abierto.