换能型GraphSAGE和归纳型GCN的模型体系结构有什么不同？

Question

模型设计的差异。

不同之处似乎是GraphSAGE对数据进行了采样。

但是模型建筑的区别是什么。

Answer 1

GraphSAGE的主要新奇之处是一个邻域采样步骤(但这与这些模型是电感式还是换能型)无关。您可以将GraphSAGE看作具有次抽样邻居的GCN。

在实际应用中，两者都可以用于感应和换能器。

不幸的是，GraphSAGE论文的标题(“归纳表示学习”)在这方面有点误导。GraphSAGE抽样步骤的主要好处是可伸缩性(但代价是更高的方差梯度)。

Answer 2

GraphSage提供了解决DeepWalk嵌入技术问题的解决方案。据我们所知，DeepWalk嵌入技术使用的是传递学习来从图中提取特征。如果在图中添加一个节点，则可以重新运行该算法以获得所有节点的嵌入。因此，DeepWalk所要求的GNN不适用于图中节点不断变化的动态图。为了解决上述问题，引入了GraphSage来学习归纳法节点表示.具体来说，每个节点都由其邻域的聚合来表示。因此，即使在训练时间内出现了一个新的节点，它仍然可以由它的相邻节点正确地表示。

您可以了解更多以下博客：https://towardsdatascience.com/a-gentle-introduction-to-graph-neural-network-basics-deepwalk-and-graphsage-db5d540d50b3