Twitter提出大規(guī)模圖上學(xué)習框架-SIGN
https://zhuanlan.zhihu.com/p/267815920
SIGN是一種摒棄采樣策略的方法，受Wu 等人的論文「Simplifying Graph Convolutional Networks」的啟發(fā)，只擁有一個多跳信息傳播層的 GCN 模型可以擁有與具有多個信息傳播層的模型相當?shù)男阅堋?br>
SIGN 架構(gòu)包含一個類似于 GCN 的層，它帶有多個線性傳播算子，這些算子可能作用于多跳鄰居節(jié)點。在這個層后面，會連接著一個面向節(jié)點級別應(yīng)用的多層感知機。該架構(gòu)之所以具有較高的計算效率，是由于對被傳播的特征的預(yù)計算（如圖中紅色部分所示），面向的是節(jié)點分類級任務(wù)。
這種做法（主要操作還是得看論文的公式）有效地將整體模型的計算復(fù)雜度降低到了與多層感知機相同的水平上。此外，通過將信息傳播過程轉(zhuǎn)移到預(yù)計算步驟中，我們可以聚合來自所有鄰居節(jié)點的信息，從而避免采樣過程及其可能帶來的信息損失與偏置。
SIGN 主要的優(yōu)點在于其可擴展性與效率，我們可以使用標準的 mini-batch 梯度下降方法訓(xùn)練它。最終的實驗結(jié)果比ClusterGCN好，與GraphSAINT相當。
