GraphSAGE(Graph SAmple and aggreGatE)理论

原创

已于 2022-03-18 22:30:45 修改 · 2k 阅读

·

1

·

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。

文章标签：

#神经网络 #深度学习

于 2022-03-18 22:27:58 首次发布

本文解析了GraphSAGE的核心思想，包括其解决GCN中节点表示扩展问题的方法、随机邻居采样策略、多样化的聚合函数选择以及与GCN的主要区别。重点介绍了如何通过归纳学习在未知节点上实现泛化，以及采样对模型泛化性和效率的提升。

GraphSAGE(Graph SAmple and aggreGatE) 理论

一、核心思想

1、GCN的缺点 – 得到新节点的表示的难处

由于每个节点的表示是固定的，所以每添加一个节点，意味着许许多多与之相关的节点的表示都应该调整，开销极大。

2、GraphSAGE的思想

思想：不得到每个节点的一个固定的表示，而是去学习节点的表示方法。即学习一个节点的信息是怎么通过其邻居节点的特征聚合而来的（聚合函数）。通过训练聚合节点邻居的函数（卷积层），使GCN扩展成归纳学习任务，对未知节点起到泛化作用。

节点的特征 + 邻居节点特征 — 聚合函数 – > 新的节点表示

3、GraphSAGE的前向传播算法(Embedding generation)

在这里插入图片描述

a、如何聚集：

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。