本文介绍了NRGCN，一种与GraphSAGE不同的深度学习框架。NRGCN不拼接各层特征，而是直接使用特定跳数的邻居表示，以减少计算复杂性并实现预计算。通过层独立的采样策略，NRGCN尝试解决传统方法中节点连贯性的问题。然而，这种方法与SAGE的逐层采样策略相比，其独立性和效率仍有待探讨。实验表明，即使在大图情况下，NRGCN也能处理复杂的节点分类任务。
本文阐述了GraphSAGE的问题，
NRGCN的框架：
不同于JKnet把 每一层的表征进行拼接， 本文拼接了 直接从某跳的邻居表征，原因是说JKnet那样的h是已经被mixed和计算了多次
这样的直接某跳做法 之前也见过，但并未成为主流，后面远的跳数，只是很远的邻居，这样真的对于emeddding 有意义吗？
该文章这样是从 复杂性角度考虑，这样每一层的表征就独立于前一层，不用算了前面的才算当前这一层，这样所有层都可以被precomputed，有点sign那种，sign是通过对邻接矩阵的幂从而预计算，本文则是不同: 那种整体的预计算不会考虑到shift，且每一层的表征都是和上一层有关的 但基于采样，这样每次独立进行sample，如何保证 层与层之间的节点连贯性呢？ SAGE那样是基于第一层采样，第二层基于第一层的邻居，这样保证采样出一个子图，本文要同时预计算，没有上一层的节点作为parent，且本文强调layer-independt
最低0.47元/天 解锁文章
1334
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
