Kas ir GraphSAGE un kāpēc ir nepieciešama kaimiņu izlase?

GraphSAGE (Grafu paraugs un apkopojums) ir metode, kas izmanto neironu tīklu palīdzību, lai mācītos mezglu reprezentācijas (embeddingus) grafos. Atšķirībā no klasiskajām GNN, kas izmanto visus kaimiņus informācijas apkopošanai, GraphSAGE izmanto kaimiņu paraugu (sampling), lai padarītu mācīšanos mērogojamu lielos grafos.

Kam ir nepieciešams kaimiņu paraugs?

• Mērogojamība: Lielos grafos mezglam var būt milzīgs kaimiņu skaits, kas padara visu kaimiņu apkopošanu dārgu.
• Pārmērīgas apmācības samazināšana: Nejauša kaimiņu izvēle palīdz izvairīties no grafika struktūras pārākīgas atcerēšanās.
• Vispārīgums: Ļauj modelim mācīties no mazākas kaimiņu daļas, uzlabojot vispārīguma spēju.

GraphSAGE darbības princips:

1. Katram mezglam nejauši tiek izvēlēts fiksēts kaimiņu skaits.
2. To embeddings (piemēram, vidējais vai ar LSTM palīdzību) tiek apkopoti.
3. Iegūtais apkopojums tiek apvienots ar paša mezgla embedding un tiek nodots caur neironu tīklu.

Tas ļauj efektīvi apmācīt modeļus lielos grafos ar dinamisku struktūru.