FastGCN：基于重要性采样的图卷积网络快速学习
机器学习
2018-02-01 v1
摘要
Kipf 和 Welling 最近提出的图卷积网络（GCN）是一种用于半监督学习的有效图模型。然而，该模型最初被设计为在训练数据和测试数据同时存在的情况下进行学习。此外，跨层的递归邻域扩展给大规模稠密图的训练带来了时间和内存挑战。为了放宽对测试数据同时可用的要求，我们将图卷积解释为概率测度下嵌入函数的积分变换。这种解释允许使用蒙特卡洛方法一致地估计积分，这进而导致了我们在本工作中提出的批训练方案——FastGCN。通过重要性采样增强，FastGCN 不仅训练高效，而且泛化推理表现良好。我们展示了一组全面的实验，以证明其与 GCN 及相关模型相比的有效性。特别是，训练效率提高了数个数量级，而预测精度保持相当。
引用
@article{arxiv.1801.10247,
title = {FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling},
author = {Jie Chen and Tengfei Ma and Cao Xiao},
journal= {arXiv preprint arXiv:1801.10247},
year = {2018}
}
备注
ICLR 2018