面向图卷积网络高效训练的采样方法：综述
机器学习
2021-09-06 v3
摘要
图卷积网络（GCNs）因在学习图表示方面的优异性能而受到各研究领域的广泛关注。尽管 GCN 相较于其他方法表现良好，但仍面临挑战。以常规方式训练大规模图上的 GCN 模型需要高昂的计算与存储开销。因此，受训练 GCN 在效率与可扩展性方面迫切需求的驱动，采样方法被提出并取得了显著效果。本文基于采样机制对采样方法进行归类，并提供了面向 GCN 高效训练的采样方法全面综述。为凸显采样方法的特征与差异，我们在每一类别内给出详细对比，并进一步对所有类别中的采样方法给出整体比较分析。最后，我们讨论了采样方法的一些挑战与未来研究方向。
引用
@article{arxiv.2103.05872,
title = {Sampling methods for efficient training of graph convolutional networks: A survey},
author = {Xin Liu and Mingyu Yan and Lei Deng and Guoqi Li and Xiaochun Ye and Dongrui Fan},
journal= {arXiv preprint arXiv:2103.05872},
year = {2021}
}
备注
Accepted by IEEE/CAA Journal of Automatica Sinica