Что такое GraphSAGE и зачем нужен sampling соседей?

GraphSAGE (Graph Sample and Aggregate) — это метод обучения представлений (эмбеддингов) узлов в графах с помощью нейронных сетей. В отличие от классических GNN, которые используют все соседние узлы для агрегации информации, GraphSAGE применяет выборку (sampling) соседей, чтобы сделать обучение масштабируемым на больших графах.

Зачем нужен sampling соседей:

• Масштабируемость: В больших графах у узлов может быть огромное количество соседей, что делает агрегацию по всем соседям вычислительно дорогой.
• Снижение переобучения: Выборка случайных соседей помогает избежать избыточного запоминания структуры графа.
• Обобщение: Позволяет модели учиться на подмножестве соседей, что улучшает способность к обобщению.

Принцип работы GraphSAGE:

1. Для каждого узла случайно выбирается фиксированное число соседей.
2. Их эмбеддинги агрегируются (например, усреднением или с помощью LSTM).
3. Полученный агрегат объединяется с эмбеддингом самого узла и пропускается через нейронную сеть.

Это позволяет эффективно обучать модели на больших графах с динамической структурой.