文件名称：GraphSAINT:[ICLR 2020； IPDPS 2019]针对深层GNN和大图的快速准确的小批量训练（GraphSAINT
文件大小：662KB
文件格式：ZIP
更新时间：2024-04-14 22:28:04
gcn iclr graph-sampling graphsage gat
GraphSAINT：基于图采样的归纳学习方法 *，*， ，Rajgopal Kannan， 接触 曾汉（ ），周鸿宽（ ） 随时报告错误或告诉我们您的建议！ 概述 GraphSAINT是用于在大型图上训练GNN的通用且灵活的框架。 GraphSAINT着重介绍了一种新颖的小批量方法，该方法专门针对具有复杂关系（即图形）的数据进行了优化。 训练GNN的传统方法是：1）。 在完整的训练图上构造GNN； 2）。 对于每个小批量，在输出层中选择一些节点作为根节点。 从根节点回溯层间连接，直到到达输入层； 3）。 根据根的损失进行正向和反向传播。 GraphSAINT训练GNN的方式是：1）。 对于每个小批量，从完整的训练图中采样一个小的子图； 2）。 在小子图上构造一个完整的GNN。 在GNN层内不执行采样； 3）。 基于子图节点上的损耗的正向和反向传播。 GraphSAINT执行
【文件预览】：
GraphSAINT-master
----train_config()
--------README.md(5KB)
--------open_graph_benchmark()
--------table2()
--------ppi-large_5.yml(276B)
--------explore()
--------ppi-large_2.yml(267B)
----overview_diagram.png(70KB)
----.gitignore(310B)
----README.md(16KB)
----graphsaint()
--------cython_sampler.pyx(23KB)
--------cython_utils.pxd(1KB)
--------norm_aggr.pyx(869B)
--------graph_samplers.py(14KB)
--------open_graph_benchmark()
--------utils.py(9KB)
--------pytorch_version()
--------tensorflow_version()
--------__init__.py(0B)
--------setup.py(438B)
--------cython_utils.pyx(2KB)
--------globals.py(4KB)
--------metric.py(403B)
----LICENSE(1KB)
----dataset_details.md(5KB)
----converg.png(505KB)
----convert.py(1KB)
----ipdps19_cpp()
--------README.md(9KB)
--------makefile.nomkl(469B)
--------layer.cpp(17KB)
--------include()
--------makefile(576B)
--------convert.py(3KB)
--------optm.cpp(2KB)
--------train.cpp(7KB)
--------operation.cpp(6KB)
--------sample.cpp(9KB)
--------util.cpp(8KB)
--------init.cpp(620B)
----data()
--------open_graph_benchmark()