以数据驱动节点采样推进 GraphSAGE
网络与互联网体系结构
2019-05-01 v1
摘要
作为一种高效且可扩展的图神经网络，GraphSAGE 通过对下采样的局部邻域进行聚合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断能力。GraphSAGE 中使用的邻域采样在并行推断一批具有不同度的目标节点时，能有效提升计算与内存效率。尽管有此优势，默认的统一采样在训练与推断中存在高方差，导致次优精度。我们提出一种新的数据驱动采样方法，通过非线性回归器推断邻域的真实值重要性，并将该值用作邻域子采样的准则。该回归器通过基于值的强化学习进行学习。每个顶点与邻域组合所隐含的重要性从 GraphSAGE 的负分类损失输出中归纳提取。结果表明，在使用三个数据集的归纳节点分类基准上，我们的方法增强了使用统一采样的基线，并在精度上优于近期若干图神经网络变体。
引用
@article{arxiv.1904.12934,
title = {LTE Standard-Compliant D2D Communication: Software-defined Radio Implementation and Evaluation},
author = {Shekhar Jain and Yi Zhang and Luiz A. DaSilva},
journal= {arXiv preprint arXiv:1904.12934},
year = {2019}
}