MENU

GraphSAGE & PinSAGE详解

February 28, 2021 • Read: 7964 • Deep Learning阅读设置

本文主要讲解两种图采样算法。前面GCN讲解的文章中,我使用的图$G$节点个数非常少,然而在实际问题中,一张图可能节点非常多,因此就没有办法一次性把整张图送入计算资源,所以我们应该使用一种有效的采样算法,从全图$G$中采样出一个子图$g$,这样就可以进行训练了

在了解图采样算法前,我们至少应该保证采样后的子图是连通的。例如下图中,左边采样的子图就是连通的,右边的子图不是连通的

GraphSAGE (SAmple & aggreGatE)

GraphSAGE主要分两步:采样、聚合

采样的阶段首先选取一个点,然后随机选取这个点的一阶邻居,再以这些邻居为起点随机选择它们的一阶邻居。例如下图中,我们要预测0号节点,因此首先随机选择0号节点的一阶邻居2、4、5,然后随机选择2号节点的一阶邻居8、9;4号节点的一阶邻居11、12;5号节点的一阶邻居13、15

聚合具体来说就是直接将子图从全图中抽离出来,从最边缘的节点开始,一层一层向里更新节点

下图展示了邻居采样的优点,极大减少训练计算量这个是毋庸置疑的,泛化能力增强这个可能不太好理解,因为原本要更新一个节点需要它周围的所有邻居,而通过邻居采样之后,每个节点就不是由所有的邻居来更新它,而是部分邻居节点,所以具有比较强的泛化能力

PinSAGE

采样时只能选取真实的邻居节点吗?如果构建的是一个与虚拟邻居相连的子图有什么优点?PinSAGE算法将会给我们解答

PinSAGE算法通过多次随机游走,按游走经过的频率选取邻居,例如下面以0号节点作为起始,随机进行了4次游走

其中5、10、11三个节点出现的频率最高,因此我们将这三个节点与0号节点相连,作为0号节点的虚拟邻居

回到上述问题,采样时选取虚拟邻居有什么好处?可以快速获取远距离邻居的信息。实际上如果是按照GraphSAGE算法的方式生成子图,在聚合的过程中,非一阶邻居的信息可以通过消息传递逐渐传到中心,但是随着距离的增大,离中心越远的节点,其信息在传递过程中就越困难,甚至可能无法传递到;如果按照PinSAGE算法的方式生成子图,有一定的概率可以将非一阶邻居与中心直接相连,这样就可以快速聚合到多阶邻居的信息

Reference

Last Modified: April 20, 2021
Archives Tip
QR Code for this page
Tipping QR Code
Leave a Comment

已有 1 条评论
  1. maple maple

    或许泛化能力增强的原因可以类比dropout来理解吗