GNN 系列（三）：GraphSAGE

最新推荐文章于 2025-10-18 21:19:01 发布
原创 最新推荐文章于 2025-10-18 21:19:01 发布 · 1.1k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了GraphSAGE，一种针对大规模图数据的图神经网络模型，旨在解决GCN在内存和显存需求、以及需要全部图结构信息的问题。GraphSAGE采用inductive learning，仅保留训练样本间的边，通过邻居采样和聚合函数更新节点embedding，适用于未知节点的embedding生成。文章还探讨了其前向传播、采样和聚合器算法的细节。
640?wx_fmt=png

点击上方“Datawhale<

最低0.47元/天 解锁文章
Datawhale
关注
GNN-图卷积模型-归纳式-2017：GraphSAGE【消息传递（前向传播）：聚合+更新】【聚合函数：lstm/pool】【训练更新函数参数】【不全图卷积，每次采样一批节点来卷积训练】【同质图】
u013250861的博客
08-15 1101
图神经网络(GNN)：GraphSAGE【归纳式学习框架】
图机器学习——5.6 广义 GNN 框架：GCN、GraphSAGE与GAT
Kanny
05-23 1108
① 图卷积网络（Graph Convolutional Networks，GCN） 其核心结构为： hv(l)=σ(W(l)∑u∈N(v)hu(l−1)∣N(v)∣) \mathbf{h}_{v}^{(l)}=\sigma\left(\mathbf{W}^{(l)} \sum_{u \in N(v)} \frac{\mathbf{h}_{u}^{(l-1)}}{|N(v)|}\right) hv(l)​=σ⎝⎛​W(l)u∈N(v)∑​∣N(v)∣hu(l−1)​​⎠⎞​ 因此对应的 message 为（利
【GNN】GraphSAGE：GCN 可能没我强
阿泽的学习笔记
05-21 971
今天看的论文是斯坦福大学的同学的论文《Inductive Representation Learning on Large Graphs》，于 2017 年发表于 NIPS，目前被引次数超过 1200 次。 对于大规模网络图来说，低维的分布编码具有举足轻重的意义，但现有的诸多模型都属于直推式学习（transductive），其可以解决参与训练的节点的编码问题，但无法泛化到未知节点（即，如果有新节点加入需要重新训练）。针对这一痛点，斯坦福大学的同学提出了归纳式学习算法（inductive）——GraphSAG
【图神经网络】图神经网络(GNN)学习笔记：GraphSAGE
小哲的博客
01-29 3665
图神经网络GNN学习笔记：GraphSAGEGraphSAGE概述GraphSAGE算法原理采样邻居节点聚合邻居GraphSAGE算法过程参考资料 GCN是一种在图中结合拓扑结构和顶点属性信息学习顶点的embedding表示的方法。然而GCN要求在一个确定的图中去学习顶点的embedding，无法直接泛化到在训练过程没有出现过的顶点，即属于一种直推式(transductive)的学习。 GraphSAGE概述 本文介绍的GraphSAGE则是一种能够利用顶点的属性信息高效产生未知顶点embedding的一种
（三）图神经网络（2）（GraphSAGE（2） GraphSAGE_Embedding GraphSAGE_minbatch）
最新发布
m0_74738212的博客
10-18 620
GraphSAGE 的小批量前向传播算法，核心是通过和。
GraphSAGE
weixin_65191557的博客
09-06 2495
本文介绍了GraphSAGE框架及其两个组成部分——邻接节点采样算法和三个聚合算子。邻接节点采样是GraphSAGE在短时间内处理大型图的核心。它还负责归纳设置，这允许它将预测推广到看不见的节点和图。我们在PubMed上测试了一种转换情况，并在PPI数据集上测试了一种感应情况，以执行一种新的任务-多标签分类。虽然不如GCN或GAT准确，但GraphSAGE是处理大量数据的流行且高效的框架。
关于GNN、GCN、GraphSAGE（3）--GraphSage
xianghu_5的博客
04-30 660
关于GNN、GCN、GraphSAGE（3）--GraphSAGE
GNN进阶秘籍：从变体技术到性能优化全攻略
图神经网络（GNN）作为一种新兴的神经网络架构，其能够直接在图结构数据上进行学习，已经在社交网络分析、生物信息学等领域展现出巨大潜力。本文首先概述了图神经网络的基础知识及其变体技术，接着深入探讨了其理论...
图神经网络（GNN）教程：从基础到进阶
这可能包括介绍不同类型的图神经网络（比如GCN、GraphSAGE、GAT等），以及如何使用流行的深度学习框架（如PyTorch Geometric、TensorFlow等）来实现它们。 通过本教程，学习者将能够掌握： - 如何定义和处理图结构...
关于GNN、GCN、GraphSage（1）--GNN
xianghu_5的博客
04-30 613
GNN中如何获得一个节点的向量表示。
graphSAGE-pytorch:GraphSAGE的PyTorch实现。 该软件包包含GraphSAGE的PyTorch实现
05-04
GraphSAGE的PyTorch实现 此包包含一个PyTorch实施 。 该代码包的作者： （ ），（ ），（ ）。 环境设定 python == 3.6.8 pytorch == 1.0.0 基本用法 主要参数： --dataSet The input graph dataset. (default: cora) --agg_func The aggregate function. (default: Mean aggregater) --epochs Number of epochs. (default: 50) --b_sz Batch size. (default: 20) --seed Random seed. (default: 824) --unsup_loss The loss function for u
论文分享--＞GNN--＞GraphSAGE
村头陶员外的博客
05-02 2132
本次要总结的是 论文 Inductive Representation Learning on Large Graphs，参考的实现代码链接code，本篇论文是GNN领域内一篇非常重要的论文，值得认真读下。 论文动机和创新点 将大图中的节点用低维度的稠密向量表示，已经被证明是非常有用的方法，但是现有的大部分方法，都是将图中的所有节点扔进模型中进行训练，本质还是直推式的，其训练得到的模型不容易推广到未见过的节点，或者一张新的图上。本论文涉及两个重要概念，分别如下： transductive：直推式，
GraphSAGE是什么
软件工程小施同学 的专栏
08-11 760
GraphSAGE（Graph Sample and Aggregation）是一种用于图神经网络的算法，主要用于处理大规模图数据。其主要目标是通过节点特征和邻居节点的信息来学习。GraphSAGE的核心思想是对每个节点的邻居进行采样和聚合，而不是直接使用整个图的数据。这使得它可以有效处理非常大的图，减少计算和内存开销。通过这样的方式，GraphSAGE可以有效地生成节点的表示，并且具有良好的扩展性，适用于。，从而可以用于节点分类、链接预测等任务。节点的表示（embedding）
【图神经网络】GraphSAGE
AI蜗牛车
07-27 756
作者| 追光者研究| 机器学习与时间序列出品 | AI蜗牛车一、Address发表于NIPS 2017的一篇论文地址：https://arxiv.org/pdf/1706.02216v...
GNN | 从序列神经网络到GCN、GraphSage、GAT图模型总结
zenRRan的博客
12-18 5916
每天给你送来NLP技术干货！来自：老刘说NLP本文主要介绍图神经网络相关的内容，以从序列神经网络到图神经网络为切入点，逐步讲述从CNN到GCN，从GCN到GraphSage，从GCN到GA...
【图表示学习算法系列】一：GraphSAGE-归纳式图表示学习算法
小小小草儿的博客哟
03-31 3900
论文题目：Inductive Representation Learning on Large Graphs 论文链接：https://arxiv.org/pdf/1706.02216.pdf 论文发表在NIPS2017 0.摘要 在一个大型图中，对节点的低纬度嵌入表示是十分有用的，之前的算法需要图中所有的节点信息且对未知数据的泛化能力一般，这种方法被称为transductive；而本文的方法...
GraphSAGE(大型图的归纳表示学习)学习笔记
qq_50595984的博客
10-22 1640
GraphSAGE的原理理解和流程分析
GCN变体-graphSAGE
qq_54862543的博客
11-10 1157
GraphSAGE从两个方面对GCN做了改动。一方面是通过采样邻居的策略将GCN由全图（full batch）的训练方式改造成以节点为中心的小批量（mini batch）训练方式，这使得大规模图数据的分布式训练成为可能；另一方面是该算法对聚合邻居的操作进行了拓展，提出了替换GCN操作的几种新的方式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值