文件名称：GraphSAGE_RL:通过数据驱动的节点采样提高GraphSAGE
文件大小：7.29MB
文件格式：ZIP
更新时间：2024-06-13 03:30:13
Python
通过数据驱动的节点采样提高GraphSAGE 作者： （ ， ）， （ ）， （ ） 发表在2019 ICLR研讨会表示学习上图和流形。 概述 作为一种高效且可扩展的图神经网络，GraphSAGE通过归纳二次采样的局部邻域并以小批量梯度下降的方式进行学习，已启用了归纳能力来推断看不见的节点或图。 GraphSAGE中使用的邻域采样有效地提高了并行推断一批不同程度的目标节点时的计算和存储效率。 尽管有此优势，但默认的统一采样在训练和推理上仍存在较大差异，从而导致次优准确性。 我们提出了一种新的数据驱动的采样方法，以通过非线性回归来推断邻域的实际值重要性，并使用该值作为对邻域进行二次采样的标准。 使用基于值的强化学习来学习回归者。 从GraphSAGE的负分类损失输出中归纳地提取了顶点和邻域的每种组合的隐含重要性。 结果，在使用三个数据集的归纳节点分类基准中，我们的方法使用统一
【文件预览】：
GraphSAGE_RL-master
----Dockerfile.gpu(108B)
----utils.py(10KB)
----eval_scripts()
--------ppi_eval.py(4KB)
--------citation_eval.py(4KB)
--------reddit_eval.py(5KB)
----data()
--------pubmed()
----model()
--------.gitkeep(2B)
----create_Graph_forGraphSAGE.py(2KB)
----output()
--------.gitkeep(2B)
----example_supervised.sh(650B)
----requirements.txt(397B)
----.gitignore(1KB)
----loss_node()
--------.gitkeep(2B)
----README.md(7KB)
----example_data()
--------toy-ppi-id_map.json(209KB)
--------toy-ppi-class_map.json(5.25MB)
--------toy-ppi-G.json(27.2MB)
--------toy-ppi-feats.npy(5.63MB)
----graphsage()
--------tags(26KB)
--------neigh_samplers.py(8KB)
--------unsupervised_train.py(30KB)
--------models.py(26KB)
--------unsupervised_train__.py(17KB)
--------utils.py(4KB)
--------minibatch.py(13KB)
--------metrics.py(1KB)
--------neigh_samplers_.py(26KB)
--------supervised_train_.py(43KB)
--------supervised_models.py(8KB)
--------neigh_samplers_org.py(818B)
--------supervised_test.py(12KB)
--------__init__.py(70B)
--------aggregators.py(23KB)
--------layers.py(4KB)
--------inits.py(934B)
--------prediction.py(5KB)
--------supervised_train.py(34KB)