GraphSAINT: 基于采样的归纳式图学习方法

这篇论文的思路是

  1. 提出这样一种框架：从大图中采样出多个子图，用子图训练归纳式的GCN，之后用该GCN在大图上进行推理
  2. 对任意给定的采样器，分析如何调整连接权重使得用采样的子图估计全图是无偏的
  3. 证明要使对各节点在各层表示的估计的方差最小，需要在采样时满足一定条件，使边的出现概率大致正比于两端点的度的倒数和（但我觉得推导有点小错误，中间掉了个系数，但结论偏差不大。我正在写的EdgeBatch推了这块）
  4. 提出如下三种采样器，然而除了2其它两种并没证明方差小，另外扩充子图的过程也添加了边，所以并不满足前面分析出来的降方差条件
    1. 像FastGCN一样采样节点，然后扩为子图
    2. 以方差最小的条件采样边，然后扩为子图
    3. 随机游走，然后扩充为子图

Page Not Found

Try to search through the entire repo.