GNN-图卷积模型-2017:GraphSAGE【消息传递(前向传播):聚合+更新】【聚合函数:lstm/pool】【训练更新函数参数】【不全图卷积,每次采样一批节点来卷积训练】【归纳式】【同质图】

一、概述

GNN-图卷积模型-2017:GraphSAGE【消息传递(前向传播):聚合+更新】【聚合函数:lstm/pool】【训练更新函数参数】【不全图卷积,每次采样一批节点来卷积训练】【归纳式】【同质图】_第1张图片
GNN-图卷积模型-2017:GraphSAGE【消息传递(前向传播):聚合+更新】【聚合函数:lstm/pool】【训练更新函数参数】【不全图卷积,每次采样一批节点来卷积训练】【归纳式】【同质图】_第2张图片

1、摘要核心

1 . 本文提出了一种归纳式学习模型,可以得到新点/新图的表征。
2 . GraphSAGE模型通过学习一组函数来得到点的表征。
3 . 采样并汇聚点的邻居特征与节点的特征拼接得到点的特征。
4 . GraphSAGE算法在直推式和归纳式学习均达到最优效果。
5 . 缺点:邻域大小不可变

2、GraphSAGE (SAmple and aggreGatE) 意义

1 . 图卷积神经网络最常用的几个模型之一(GCN,GAT,GraphSAGE);
2 . 第一次提出归纳式学习 (indu

你可能感兴趣的:(图神经网络/GNN,神经网络)