使用相交社区学习大规模图
机器学习
2024-12-24 v2 社会与信息网络
机器学习
摘要
消息传递神经网络（MPNN）是图机器学习的主要方法。MPNN通过聚合来自节点邻居的消息迭代更新输入图中每个节点的表示，这需要与图边数相当的内存复杂度。对于大型图（除非非常稀疏），这种复杂度可能很快变得难以承受。本文提出了一种新方法，通过将输入图近似为相交社区图（ICG）——相交团簇的组合来缓解这个问题。关键洞察是，近似一个图所需的社区数量不依赖于图的大小。我们开发了一种新的弱图正则引理的构造性版本，以高效地为任何输入图构建近似ICG。然后，我们设计了一种高效的图学习算法，直接在ICG上以与节点数（而非边数）成线性关系的内存和时间运行。这为学习非常大的非稀疏图提供了一种全新的、根本不同的流程，并在节点分类任务和时空数据处理上通过实验证明了其适用性。
引用
@article{arxiv.2405.20724,
title = {Learning on Large Graphs using Intersecting Communities},
author = {Ben Finkelshtein and İsmail İlkan Ceylan and Michael Bronstein and Ron Levie},
journal= {arXiv preprint arXiv:2405.20724},
year = {2024}
}