【KDD2020】图神经网络的无冗余计算

题目： 图神经网络的无冗余计算 会议： KDD2020 论文地址： https://dl.acm.org/doi/abs/10.1145/3394486.3403142 推荐理由： 对于图神经网络中重复信息的聚合，这篇文章提出了一种简单有效的层次化聚合的方法(HAG)，用于层次化管理中间结果并减少图神经网络在训练和推断过程中重复计算。HAG 能够保证在计算层次化聚合的过程中，可以使用更少的时间用于训练并且得到的结果和传统的图神经网络模型一致。

GNN在单层中基于递归邻域聚合方案，每个节点聚合其邻居的特征，并使用聚合值更新其自身的特征。这样递归地传播多次（多层），最后，GNN中的每个节点都会从其k阶网络邻居中的其他节点收集信息。最后GNN层的激活然后被用于下游预测任务，例如节点分类、图分类或链路预测。然而，如何设计一个能够有效处理大规模图数据集的GNN仍然是一个挑战。特别的是，许多当前的工作是使用整张图的拉普拉斯矩阵，这样即便是对于中等规模的图，也会面临存储空间的问题。GraphSAGE首次提出使用对每个独立节点执行小图邻域采样，然后再聚合这些节点的邻域信息，但是对于单个节点进行邻域采样是一个高复杂度的事情，因此许多手工调整的启发式算法被用来限制采样复杂性并选择邻域图并通过优化图的采样步骤来提高GNN的效率。