图神经网络与GraphSage的区别

Question

基本图卷积神经网络和GraphSage的区别是什么？

哪一种方法更适合无监督学习?在这种情况下，损失函数是如何定义的？

请分享这两种方法的基础文件。

Answer 1

图卷积网络本质上是一种换能型网络，即在训练过程中只能为固定图中的节点生成嵌入。这意味着，如果图在将来演化，新节点(在训练过程中看不到)进入图中，那么我们需要对整个图进行重新训练，以便计算新节点的嵌入。这一限制使得转换方法在不断发展的图表(如社交网络、蛋白质网络等)上的应用效率低下，因为它们无法在看不见的节点上进行泛化。

另一方面，GraphSage算法利用各节点邻域的丰富节点特征和拓扑结构，在不需要重新训练的情况下为新节点生成表示。此外，GraphSage还执行邻域采样，这为GraphSage算法提供了其独特的能力，可扩展到图形中数十亿个节点。

要想找到更多的细节，可以在下面的博客中找到https://sachinsharma9780.medium.com/a-comprehensive-case-study-of-graphsage-algorithm-with-hands-on-experience-using-pytorchgeometric-6fc631ab1067

1. GCN纸
2. GraphSage