स्व-संप्रेषित ग्राफ संरचना पुनर्निर्माण के माध्यम से ग्राफ डेटा संघनन

ग्राफ न्यूरल नेटवर्क (GNNs) को बड़े पैमाने पर ग्राफ पर प्रशिक्षण देने की बढ़ती मांग के साथ, ग्राफ डेटा संघनन एक महत्वपूर्ण तकनीक के रूप में उभरा है ताकि प्रशिक्षण चरण के दौरान भंडारण और समय की लागत को कम किया जा सके। इसका उद्देश्य मूल बड़े पैमाने पर ग्राफ को एक बहुत छोटे कृत्रिम ग्राफ में संघनित करना है, जबकि डाउनस्ट्रीम GNN को कुशलता से प्रशिक्षित करने के लिए आवश्यक महत्वपूर्ण जानकारी को बनाए रखते हुए। हालाँकि, मौजूदा विधियाँ या तो नोड विशेषताओं के अनन्य अनुकूलन पर ध्यान केंद्रित करती हैं या नोड विशेषताओं और ग्राफ संरचना जनरेटर को स्वतंत्र रूप से सीखने का प्रयास करती हैं। वे मूल ग्राफ संरचना की जानकारी का स्पष्ट रूप से लाभ नहीं उठा सकीं और कृत्रिम डेटा सेट के लिए एक व्याख्यात्मक ग्राफ संरचना बनाने में असफल रहीं। इन समस्याओं को हल करने के लिए, हम 'स्व-संप्रेषित ग्राफ संरचना पुनर्निर्माण के माध्यम से ग्राफ डेटा संघनन' (GCSR) नामक एक नवीन ढाँचा प्रस्तुत करते हैं। हमारी विधि (1) संघनन प्रक्रिया में मूल ग्राफ संरचना को स्पष्ट रूप से शामिल करके और (2) एक व्याख्यात्मक स्व-संप्रेषित ग्राफ संरचना का पुनर्निर्माण करके संघनित नोड्स के बीच की सूक्ष्म अंतरनिर्भरता को पकड़ने में विशेष रूप से अलग है। व्यापक प्रयोगों और व्यापक विश्लेषण से विभिन्न GNN मॉडल और डेटा सेट्स में प्रस्तावित विधि की प्रभावकारिता को मान्य किया गया है। हमारा कोड यहाँ उपलब्ध है: https://www.dropbox.com/scl/fi/2aonyp5ln5gisdqtjimu8/GCSR.zip?rlkey=11cuwfpsf54wxiiktu0klud0x&dl=0