Inductive Representation Learning on Large Graphs 论文阅读

最新推荐文章于 2024-11-06 14:04:24 发布

曦姐no小库

最新推荐文章于 2024-11-06 14:04:24 发布

阅读量3.3k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习，graph CNN

本文链接：https://blog.youkuaiyun.com/u013263329/article/details/77479930

本文探讨了如何使用GraphSAGE对不断变化的图进行节点嵌入，解决现实世界中图结构变化的问题。论文从Graph Convolutional Networks出发，提出了一种改进方法，能够在无监督设置下学习预测性表示。通过固定邻居数量的迭代过程，学习节点的embedding函数，并应用基于图的损失函数进行参数优化。文中介绍了Mean、LSTM和Pooling三种聚合器架构。作者提供了代码资源供进一步研究。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近做graph CNN方向，前前后后也看了一些论文，觉得时间长了就忘了，所以，准备把看的论文总结下写到博客。

论文的动机和目标：做evolving graph的node embedding. 当前的相关算法存在的问题是：只能对给定的固定大小的graph做 node embedding.但是现实中的很多应用中graph是不断变化的，所以需要对还没出现，将要出现的 unseen nodes做embedding, 或者会完全新的子图做embedding.然后将embedding的结果应用到很多地方，比如分类、聚类。

论文的参考来源：（1）Graph convolutional networks:

[15] T. N. Kipf and M. Welling. Semi-supervised classification with graph convolutional networks.In ICLR, 2016.

[16] T. N. Kipf and M. Welling. Variational graph auto-encoders. In NIPS Workshop on Bayesian Deep Learning, 2016.

原论文通过Graph convolutional networks来做graph的embedding.本篇论文想在这个基础上进行改进。

&nb