基于数据驱动节点采样的GraphSAGE改进
机器学习
2019-05-01 v1 机器学习
摘要
作为一种高效且可扩展的图神经网络，GraphSAGE通过聚合子采样的局部邻域并以小批量梯度下降方式学习，实现了对未见节点或图的归纳推理能力。GraphSAGE中使用的邻域采样在并行推理具有不同度的目标节点批次时，能有效提高计算和内存效率。尽管有这一优势，默认的均匀采样在训练和推理中方差较高，导致次优精度。我们提出了一种新的数据驱动采样方法，通过非线性回归器推理邻域的真实重要性，并将该值作为子采样邻域的标准。该回归器使用基于值的强化学习进行学习。每个顶点与邻域组合的隐含重要性从GraphSAGE的负分类损失输出中归纳提取。结果，在使用三个数据集的归纳节点分类基准测试中，我们的方法增强了使用均匀采样的基线，在准确率上优于最近的图神经网络变体。
引用
@article{arxiv.1904.12935,
title = {Advancing GraphSAGE with A Data-Driven Node Sampling},
author = {Jihun Oh and Kyunghyun Cho and Joan Bruna},
journal= {arXiv preprint arXiv:1904.12935},
year = {2019}
}
备注
6 pages, 2 tables, ICLR 2019 workshop on Representation Learning on Graphs and Manifolds