GraphSage: Inductive representation learning on large graphs

最新推荐文章于 2024-11-06 14:04:24 发布

原创

最新推荐文章于 2024-11-06 14:04:24 发布 · 502 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习 #神经网络

GraphSage是一种用于大图的归纳节点表示学习算法，解决了GCN全局图依赖的问题。它通过采样和多层聚合函数，如均值、图卷积、LSTM和池化，学习节点嵌入。该模型适用于inductive任务，不需要全部样本进行训练。训练过程包括有监督和无监督方式，如交叉熵损失和负采样。GraphSage在性能上优于传统方法。

背景

Hamilton W L, Ying R, Leskovec J. Inductive representation learning on large graphs[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017: 1025-1035.

模型

GraphSage被提出\upcite{20}，是一种在大图上基于归纳式子表示学习的算法。主要解决的问题可以被描述为：给定图，输入特征 $X\bf{X}$ ，图 $G(V,E){\mathcal G}({\mathcal V},{\mathcal E})$ ，在GraphSage 中包含两种操作，一种是采样操作者，另外一种是聚合操作。在采样过程中，GraphSage依据节点之间的信息连接对当前节点的邻居节点进行采样操作。在使用聚合函数操作时，使用的是多层聚合函数。通过多层聚合函数，对相邻节点的信息进行融合。在GCN中，网络训练在每一层都需要依靠 $A^{\bf{\hat A}}$ ，这表明GCN 依赖全局图的使用, 因此GraphSage 解决这一方面的问题。GraphSage 聚合的过程采用两层聚合的方式。在GCN中，使用全局图，和全部样本，这是一种Transductive任务。对于Inductive任务，训练模型不需要使用全部样本，因此GraphSage被用来解决这一方面的问题。
在这里插入图片描述
给定 ${\bf{x}}_v}$ ，聚合层的领域节点定义为 ${\bf{x}}_v} \in {\bf{X}}$

最低0.47元/天解锁文章