Inductive Representation Learning on Large Graphs论文分享

今天分享的论文是《Inductive Representation Learning on Large Graphs》

原文链接：Inductive representation learning on large graphs | Proceedings of the 31st International Conference on Neural Information Processing Systems

读这篇文章也是因为看了别的文章里面提到了，看得一头雾水。

大型图中节点的低维嵌入已被证明在各种预测任务中非常有用，从内容推 荐到识别蛋白质功能。然而，大多数现有的方法要求在嵌入的训练期间图 中的所有节点都存在；这些先前的方法本质上是直推式的，不能自然地推 广到看不见的节点。在这里，提出了 GraphSAGE，这是一个通用的归 纳框架，它利用节点特征信息(例如，文本属性)来有效地为以前未见过的 数据生成节点嵌入。不是为每个节点训练单独的嵌入，而是学习一个 通过从节点的局部邻域采样和聚集特征来生成嵌入的函数。算法在 三个归纳节点分类基准上优于强基线:基于引文和 Reddit 帖子数据对 进化信息图中的不可见节点进行分类，并且使用蛋白质-蛋白质相互作用的多图数据集表明算法推广到完全不可见的图。

GraphSAGE 示例和聚合方法的可视化说明：

GraphSAGE 嵌入生成(即正向传播)算法：

做个总结：

引入了一种新的方法，允许为看不见的节点有效地生成嵌入。GraphSAGE 始终优于最先 进的基线，通过采样节点邻域有效地权衡了性能和运行时间，并且理论分析提供了方法如何学习局部图结构的洞察力。许多扩展和潜在的改进都是可能的，比如扩展 GraphSAGE 以包含有向图或多模态图。未来工作的一个特别有趣的方向是探索非均匀邻域采 样函数，甚至可能学习这些函数作为 GraphSAGE 优化的一部分。