基于图神经网络的列车测试分路工作原理

Question

我最近开始学习GNN，到目前为止我已经介绍了GCN和GraphSage。但是当测试发生时，我对这个过程感到困惑。

现在，假设在上面的图中，我使用节点作为列车和测试集，如图所示。假设我使用GraphSage模型来完成一个有监督的节点分类任务，现在在训练过程中，我为子图提供蓝色节点，并利用该子图(蓝色)中节点的邻域信息计算权重(参数)。

但是在测试期间，我想找到绿色节点的标签。因此，在此期间，将使用训练期间计算的权重和测试节点的邻域信息来执行GraphSage的前向传播。

我的疑问是:在测试中，我感到困惑的部分是，在测试过程中，算法是只考虑绿色节点(测试集)，还是在前向传播步骤中考虑蓝色节点的信息(因为它是连通的，如图中所示)来计算节点嵌入？

下面是纸中提到的图形的前向传播算法。

这可能是一个愚蠢的问题，但由于我是新手，所以在火车和测试期间，我很难理解邻里的定义。如果我说错了任何一点，请纠正我。

Answer 1

该算法是只考虑绿色节点(测试集)还是考虑蓝色节点的邻域？

它同时考虑了蓝色节点和绿色节点。

注意，GNN处理的是换能式学习，其中测试数据(这里的节点)在培训期间被看到(不知道标签)。你可能想到的是归纳学习(训练集和测试集是完全分开的)。

假设我使用GraphSage模型来完成一个有监督的节点分类任务，现在在训练过程中，我为子图提供蓝色节点，并利用该子图(蓝色)中节点的邻域信息计算权重(参数)。

这是不对的，在培训期间，您提供了整个图(蓝色节点和绿色节点以及所有的egdes)，但是您只提供了列车集中节点的标签(在培训期间测试集中节点的标签是未知的)。

您可能需要参考这些幻灯片(第55页以后)。