Cos'è GraphSAGE e perché è necessario il campionamento dei vicini?

GraphSAGE (Campionamento e Aggregazione di Grafi) è un metodo di apprendimento delle rappresentazioni (embeddings) dei nodi nei grafi tramite reti neurali. A differenza delle GNN classiche, che utilizzano tutti i nodi vicini per aggregare le informazioni, GraphSAGE applica un campionamento (sampling) dei vicini per rendere l'addestramento scalabile su grandi grafi.

A cosa serve il campionamento dei vicini?

• Scalabilità: Nei grandi grafi, un nodo può avere un numero enorme di vicini, rendendo costosa l'aggregazione di tutti.
• Riduzione dell'overfitting: La selezione casuale dei vicini aiuta a evitare che il modello memorizzi eccessivamente la struttura del grafo.
• Generalizzazione: Permette al modello di apprendere su un sottoinsieme di vicini, migliorando la capacità di generalizzazione.

Principio di funzionamento di GraphSAGE:

1. Per ogni nodo, viene selezionato casualmente un numero fisso di vicini.
2. I loro embeddings vengono aggregati (ad esempio, mediando o usando LSTM).
3. L'aggregato risultante viene combinato con l'embedding del nodo stesso e passato attraverso una rete neurale.

Questo permette di addestrare modelli in modo efficiente su grandi grafi con strutture dinamiche.