下采样稀疏图卷积网络的可迁移性
机器学习
2024-09-10 v2 信号处理
摘要
为了加速在现实世界大规模稀疏图上图卷积网络的训练，下采样方法通常被用作预处理步骤。然而，图的稀疏性和拓扑结构对下采样方法可迁移性的影响尚未得到严格分析或理论保证，特别是当拓扑结构受到图稀疏性影响时。在本文中，我们引入了一种基于稀疏随机图模型的新型下采样方法，并推导了迁移误差的期望上界。我们的研究结果表明，较小的原始图大小、较高的预期平均度和增加的采样率有助于减小这一上界。实验结果验证了理论预测。通过将稀疏性和拓扑相似性纳入模型，本研究确立了大规模稀疏图训练中下采样迁移误差的上界，并深入探讨了拓扑结构对迁移性能的影响。
引用
@article{arxiv.2408.17274,
title = {The Transferability of Downsamped Sparse Graph Convolutional Networks},
author = {Qinji Shu and Hang Sheng and Feng Ji and Hui Feng and Bo Hu},
journal= {arXiv preprint arXiv:2408.17274},
year = {2024}
}