GraphSAGE(Graph SAmple and aggreGatE)理论

原创 已于 2022-03-18 22:30:45 修改 · 2k 阅读 · 9 ·
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
在这里插入图片描述

a、如何聚集：在这里插入图片描述
最低0.47元/天 解锁文章
GraphSAGE (SAmple and aggreGatE)知识总结
weixin_74152658的博客
08-03 1030
GraphSAGE是一种能利用顶点的属性信息高效产生未知顶点embedding的一种归纳式(inductive)学习的框架。主要步骤：（1）对邻居随机采样（2）使用聚合函数将采样的邻居节点的Embedding进行聚合，用于更新节点的embedding。（3）根据更新后的embedding预测节点的标签。
【GraphSAGE】如何理解Graph sample and aggregate（文章结构）？
扬帆·启航
04-10 1566
针对的问题是之前的网络表示学习的transductive，从而提出了一个inductive的GraphSAGE算法。GraphSAGE是为了学习一种节点表示方法，即如何通过从一个顶点的局部邻居采样并聚合顶点特征，而不是为每个顶点训练单独的embedding。
Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification
qq_43688246的博客
04-12 454
推荐一篇高光谱分类文章Y. Ding, X. Zhao, Z. Zhang, W. Cai and N. Yang, “Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification,” in IEEE Geoscience and Remote Sensing Letters, DOI: 10.1109/LGRS.2021.3062944.
（三）图神经网络（2）（GraphSAGE（2） GraphSAGE_Embedding GraphSAGE_minbatch）
最新发布
m0_74738212的博客
10-18 624
GraphSAGE 的小批量前向传播算法，核心是通过和。
GraphSAGE
JJL_1998的博客
07-23 315
[图神经网络论文] GraphSAGE-Inductive Representation Learning on Large Graphs
zerokusinage的博客
11-06 1187
图神经网络论文阅读:GraphSAGE
GraphSAGE论文阅读笔记
yanhe156的博客
07-31 8333
论文: Inductive Representation Learning on Large Graphs Motivation 大多数graph embedding框架是transductive(直推式的), 只能对一个固定的图生成embedding。这种transductive的方法不能对图中没有的新节点生成embedding。相对的，GraphSAGE是一个inductive（归纳式）框架，...
GraphSAGE详解
热门推荐
weixin_47879720的博客
12-10 1万+
文章目录算法思想嵌入生成算法采样算法（minibatch）邻居聚合函数适用场景不足和改进 算法思想 作者提出一种信息传递框架：节点的（结构和特征）信息在点与点之间传递。通过聚合函数，一个节点能够聚合邻居的信息，并通过更新函数（神经网络）更新当前节点的信息，这就是一次迭代的信息传递过程。随着迭代次数的增加，一个节点就能够聚合到更高阶邻居的信息。 补充知识： inductive和transductive learning的区别： transductive 传统的图嵌入算法（基于矩阵分解的算法，基于随机游走的算法
一种图神经网络架构：GraphSAGE
KPer_Yang的博客
08-28 2373
一种图神经网络架构：GraphSAGE
GNN 系列（三）：GraphSAGE
Datawhale
08-09 1187
点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容【引言】在GCN的博文中我们重点讨论了图神经网络的逐层传播公式是如何推导的，然而，GCN的训练方式需...
graphs-sample:图系统示例
06-01
图样 对于图形相关的样本 测试
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
深度探索：机器学习中的GraphSAGE算法（基于深度学习的图神经网络算法）原理及其应用
qq_51320133的博客
04-15 4938
GraphSAGE作为图神经网络领域的里程碑式工作，以其创新的采样与聚合机制成功解决了大规模图数据的嵌入学习问题。尽管存在超参数敏感、过平滑等问题，但通过持续的研究与优化，如引入注意力机制、动态采样策略等，其性能与适用性有望进一步提升。未来，GraphSAGE有望在更多领域展现潜力，特别是在图数据规模持续增长、复杂性不断提升的背景下，其对异质图、动态图、甚至超图的学习能力值得期待。同时，与自监督学习、元学习等前沿技术的结合，也将推动GraphSAGE在无监督设置下的表现，助力解决图数据的冷启动问题。
GraphSAGE 图神经网络算法详解
Python中文社区
09-09 5670
GraphSAGE 是 17 年的文章了，但是一直在工业界受到重视，最主要的就是它论文名字中的两个关键词：inductive 和 large graph。今天我们就梳理一下这篇文章的核心...
GraphSAGE_biji
wang2008start的专栏
09-08 658
Graph SAGE：工业应用，是目前所有工业上图模型的雏形。归纳式学习，可以泛化到没有未参与训练的节点上。卷积部分可以有很多种，比如平均，pooling，lstm聚合，以及GCN聚合等。 GraphSAGE(Graph SAmple and aggreGatE)框架，工业应用，附带python 开源实现。归纳式学习，可以泛化到没有未参与训练的节点上。卷积部分可以有很多种，比如平均，pooling...
GraphSAGE是什么
软件工程小施同学 的专栏
08-11 763
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
07-27 757
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...
【Graph Neural Network】GraphSAGE: 算法原理，实现和应用
浅梦的学习笔记
08-24 6944
GCN等方法要求图中的所有的顶点在训练过程 GraphSAGE(Graph SAmple and aggreGatE)框架，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。 ...
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