文章目录

• [Graph Classification] GraphSAGE
• • Introduction
  • Sample method
  • Embedding generation algorithm
  • Learning parameters
  • Aggregator Architectures

[Graph Classification] GraphSAGE

GraphSAGE在很多paper中都作为graph classification的baselines之一，所以可见他在图分类问题是有着很好的效果。

GraphSAGE是一种inductive representation learning，即可以利用已知节点的信息为未知节点生成embeddings。而GCN是一种transductive learning，即它必须在一个确定的图中进行embeddings的学习，无法直接泛化到未出现过的节点。
 

Introduction

GraphSAGE的方法如上图所示：

1. 从顶点开始采样一定数量的邻居节点
2. 将邻居节点的feature information 进行聚合，并和节点当前层的feature进行连接，并通过非线性函数得到新的feature
3. 迭代1-2,最后一层的feature，即为节点的embeddings

Sample method

出于对计算效率的考虑，对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点。设采样数量为k，若顶点邻居数少于k,则采用有放回的抽样方法，直到采样出k个顶点。若顶点邻居数大于k，则采用无放回的抽样。

当然，若不考虑计算效率，我们完全可以对每个顶点利用其所有的邻居顶点进行信息聚合，这样是信息无损的。

Embedding generation algorithm

K K K为深度，即GraphSage能够聚合到的邻居节点的最远深度。

算法看起来很简单，4-5行为关键，即对邻居节点的特征进行聚合，然后和自己的特征进行连接并且通过非线性函数得到新的特征。

Learning parameters

1. 无监督学习：
   基于整个图的损失函数，希望临近的节点有相似的表示，让离的远的节点的表示高度不同。损失函数如下：
   
   最小化上面的损失函数，其中节点v是节点u通过固定长度的random walk产生的节点序列中的"邻居节点"， P n P_n Pn​是负采样的概率分布，Q决定负采样的样本数量。这里的顶点表示向量是通过聚合顶点的邻接点特征产生的，而不是简单的进行一个embedding lookup操作得到。
2. 监督学习：
   监督学习形式根据任务的不同直接设置目标函数即可，如最常用的节点分类任务使用交叉熵损失函数。

Aggregator Architectures

聚合函数必须满足的是，对于无序的节点序列，聚合函数的输出与其输入节点的序列是无关的，即聚合函数必须是symmetric的。

作者提出了3个聚合函数：

• Mean aggregator

  

• LSTM aggregator

  LSTM的表达能力更强，但是它不是symmetric的，所以在输入的时候，需要对节点进行一次random operation

• Pooling aggregator

  Pooling aggregator 先对目标顶点的邻接点表示向量进行一次非线性变换，之后进行一次pooling操作(maxpooling or meanpooling)，将得到结果与目标顶点的表示向量拼接，最后再经过一次非线性变换得到目标顶点的第k层表示向量。

  

 
论文原文：Inductive Representation Learning on Large Graphs

标签：采样,聚合,函数,Classification,Graph,GraphSAGE,邻居,顶点,节点
来源： https://blog.csdn.net/qq_38328871/article/details/110743038