EDiS 将图一次性分解为可缓存的边不相交子图，在 19 个节点分类基准上以相同边预算取得最高平均分

EDiS 提出可缓存、与边预算无关的图分解：一次性提取结构子图，之后在不同 epoch 和不同保留比例下重组为满足边预算约束的训练图，不重跑提取，也不改变 GNN 架构或损失。 此前方法要么固定一张稀疏图（锁定拓扑），要么每步重新采样或重算结构；EDiS 把边不相交性从一次性计算步骤变成可缓存的训练范式。 论文给出分解与组合两阶段的定义，并证明对任意整数预算组合都恰好返回该数量的边（Proposition 3，精确预算可行性）。

EDiS 的组合过程与选择器无关：组合独立于构建子图的提取方法（如最大分数覆盖森林或随机选择），同一组合机制支持多种边选择规则。 作者称这是首个把提取与组合分离的方法，使不同选择器可在同一流水线中互换。 论文在附录 F.1 实现七种选择器（MaxCF、MinCF、Degree、k-NN、Spanner、Random、Hybrid）和五种边分数，均通过同一组合过程运行。

论文给出组合采样器的组合分析：在默认覆盖森林选择器下，存储的分解确定性地保留高分切割边（Theorem 1）；对任意残差选择器，给出组合训练图中高分切割存活的条件界（Theorem 2）。 两个保证被有意解耦：存储分解带有选择器特定的强证书，组合图带有选择器无关的界，从而允许自由更换选择器。 Theorem 1 基于最大分数覆盖森林的瓶颈性质与逐次森林切割证书；Theorem 2 仅需每个子图内均匀裁剪，不依赖森林结构。

在 19 个节点分类基准、相同边预算下与 17 个基线比较，EDiS-Lite 取得最高平均基准分、最低平均排名和差距；消融显示结构分解与逐 epoch 变化在紧边预算下收益最明显。 匹配边预算的对照实验（Frozen、Direct、Shuffled groups）用于检验收益是否来自分解结构与重采样，而非仅仅是边数或子图大小。 19 个数据集（六个异质、八个同质、五个大规模），16 个用准确率、Minesweeper/Questions/ogbn-proteins 用 ROC-AUC；所有方法共享相同架构、优化器和 epoch 预算。

该结果面向在固定边预算下训练消息传递 GNN 的节点分类场景，适用于同质、异质与大规模图，并可在不改变 GNN 架构或目标的前提下替换边分数与残差选择器。EDiS-Lite 使用稀疏组合图推理，是默认设置；当准确率增益值得额外推理开销时，可切换到 EDiS-Full 用完整图推理，训练成本不变。组合过程不依赖 GNN 损失，边分数、子图与权重在训练前固定，因此该方法适合希望一次性组织拓扑、再在多个 epoch 与保留比例下复用的工程场景。

组合图在固定预算下不保证连通，Theorem 2 是逐切割的固定切割陈述，而非同时连通性或路径存活保证；Theorem 1 的强证书只适用于存储分解，不自动转移到每个 epoch 的组合图。选择器与边分数的预测表现差异不大，没有单一选择占优；提取深度上限对固定预算图的影响因数据集而异，更多子图并不总是更好。论文未来工作提到任务感知分数、动态（时序）组合以及图级与链接级预测的扩展，这些方向的结果尚待验证。