即图的节点和连边可能有动态的删增,同时这也是一个未来的研究方向;第九节中还提到未来的研究方向之一是加强其扩展性,这就要求对图进行 sampling 或者 clustering,其实这有点像我们想要做的 aggregation(这让我想到 Wang Mengdi 做的 anchor state 啥的,瞎联想)。
1.随机挑选一个cluster进行训练(coarse clustering) 2.随机挑选 k 个cluster,然后连接他们再进行训练(stochastic multiple clustering) 3.2 GraphSAINT 论文标题:GraphSAINT: Graph Sampling Based Inductive Learning Method 论文来源:ICLR2020 论文方向:图卷积网络 论文链接:https://arxiv.org/abs/1907.04931 主要思路:先...
1.随机挑选一个cluster进行训练(coarse clustering) 2.随机挑选 k 个cluster,然后连接他们再进行训练(stochastic multiple clustering) 3.2 GraphSAINT 论文标题:GraphSAINT: Graph Sampling Based Inductive Learning Method 论文来源:ICLR2020 论文方向:图卷积网络 论文链接:https://arxiv.org/abs/1907.04931 主要思路:先...
1.随机挑选一个cluster进行训练(coarse clustering) 2.随机挑选 k 个cluster,然后连接他们再进行训练(stochastic multiple clustering) 3.2 GraphSAINT 论文标题:GraphSAINT: Graph Sampling Based Inductive Learning Method 论文来源:ICLR2020 论文方向:图卷积网络 论文链接:https://arxiv.org/abs/1907.04931 主要思路:先...
1.随机挑选一个cluster进行训练(coarse clustering) 2.随机挑选 k 个cluster,然后连接他们再进行训练(stochastic multiple clustering) 3.2 GraphSAINT 论文标题:GraphSAINT: Graph Sampling Based Inductive Learning Method 论文来源:ICLR2020 论文方向:图卷积网络 ...
在此基础上,作者提出了基于图聚类结构的新算法——Cluster GCN,并设计了一个随机多聚类框架(「stochastic multi-clustering framework」)来提高 Cluster-GCN 的收敛性,从而降低了内存消耗和计算消耗。 2.Cluster-GCN 我们知道,基于 mini-batch 的 SGD 可以在单个 epoch 中更新多次,从而使得其比 full batch 具有更快...
该方法通用简单并且具有线性的训练时间和空间。作者的理论分析也表明,在谱聚类(spectral clustering)粗化后的图上做的 APPNP 训练,等价于在原图上做受限的 APPNP 训练。但是,和图采样方法一样,基于图粗化的方式也是需要对数据进行预处理,时间开销和实验效果和粗化算法的选择有关。
gnn原理 图拉普拉斯 https://mbernste.github.io/posts/laplacian_matrix/ 里面图片都是来自：https://mbernste.github.io/posts/laplacian_matrix/ 简介 谱图理论（spectral graph theory）领域以及许多重要的机器学习算法（例如谱聚类spectral clustering）的核心是一个称为图拉普拉斯矩阵graph Laplacian的矩阵。 （事实...
在此基础上,作者提出了基于图聚类结构的新算法——Cluster GCN,并设计了一个随机多聚类框架(「stochastic multi-clustering framework」)来提高 Cluster-GCN 的收敛性,从而降低了内存消耗和计算消耗。 2.Cluster-GCN 我们知道,基于 mini-batch 的 SGD 可以在单个 epoch 中更新多次,从而使得其比 full batch 具有更快...
上式表明Cheeger 常量对应着特征值的上下界,更小的常量对应更小的特征值,也对应着更内聚(clustering)的子图,反之对应更大的特征值,此时图结构中的子图更为平滑(smoothing);因此,在这部分里,作者设计了一个函数 g 用于控制特征值的取值范围,此时的图Fourier变换为 ...