GraphSAGE
Inductive Representation Learning on Large Graphs, NIPS 2017
거대 그래프를 위한 Inductive 학습 기법
저자
- Wiliam L. Hamilton
- Rex Ying
- Jure Leskovec
0. Preliminary Knowledge
1. Graph??
2. Transductive Learning vs Inductive Learning
1. Introduction
1. 기존 고차원 노드 피쳐 벡터 임베딩 기법
- 머신러닝 기반 임베딩 방법을 주로 사용
- 이때, 사용되는 데이터는 오직 노드 피쳐 벡터
- 머신러닝 기법: PCA, NMA, t-SNE
-
위와 같은 기법으로 임베딩 된 피쳐는 Node Classification, Clustering, Link Prediction 등에 사용
- 혹은, ChebNet, GCN과 같은 Transductive 딥러닝 기법을 사용
- Transductive 성질로 인해, 실세계에 적용시키기 어려운 한계점을 지님
- 미니배치 학습 불가
- 온라인 학습 불가
- 분산 학습 불가
- 시간 효율성 떨어짐
- 메모리 부족 문제
- Transductive 성질로 인해, 실세계에 적용시키기 어려운 한계점을 지님
2. 제안하는 Inductive Learning Method 장점
- 미니배치 학습 가능
- 온라인 학습 및 추론 가능
- 실세계 거대 그래프에서 응용될 수 있음
3. GraphSAGE 특징
- 노드 임베딩을 구하기 위해 사용되는 범용적 framework
- Inductive Learning Model은 Neighborhood Sampling과 Aggregation 과정을 통해 노드 임베딩을 구함
- Aggregation은 이웃 노드 피쳐와 최종 레이어의 임베딩 결과를 도출
- 최종 임베딩 결과는 NN(Neural Network, 신경망) Model Parameter Update에 사용
- 비지도학습, 지도학습 모두 가능
2. 관련 연구
1. Factorization-based embedding approaches
- low dimensional embeddings using random walk
- baseline algorithm: PageRank Algorithm
- Deepwalk: Online learning of social representations. In KDD, 2014.
- node2vec: Scalable feature learning for networks. In KDD, 2016.
- matrix factorization-based learning objectives
- baseline algorithm: Planetoid-$I$
- Line: Large-scale information network embedding. In WWW, 2015.
- Structural deep network embedding. In KDD, 2016.
2. Supervised learning over graphs
- supervised learning over graph-structured data
- Discriminative embeddings of latent variable models for structured data. In ICML, 2016.
- A new model for learning in graph domains. In IEEE International Joint Conference on Neural Networks, volume 2, pages 729–734, 2005.
- Gated graph sequence neural networks. In ICLR, 2015.
- The graph neural network model. IEEE Transactions on Neural Networks, 20(1):61–80, 2009.
3. Spectral Graph Convolutional Networks
- Spectral Method Based Graph Convolutional Networks
- Spectral Networks and Locally Connected Networks on Graphs
- Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering
- Semi-Supervised Classification with Graph Convolutional Networks
3. 제안 기법: GraphSAGE
- 핵심 아이디어
- 이웃 노드들을 무작위 추출 (샘플링)
- 임베딩을 구하고자 하는 노드의 지엽적 이웃의 피쳐 정보를 Aggregate하여 NN 모델 학습
- GD (Gradient Descent)만 가능한 기존 Spectral Method 기반 GCN과 달리, SGD (Stochastic Gradient Descent)가 가능
1. 임베딩 생성 알고리즘 (GraphSAGE Forward Propagation Algorithm)
Notations
- Graph: $G(V, E)$
- input features: $x_v$
- depth: $K$
- neighborhood: $N:v\to{2^v}$
- $K$ aggregator functions: $AGGREGATE_k, \forall{k}\in{1, …, K}$
- set of weight matrices: $W^k, \forall{k}\in{1, …, K}$
- used to propagate information between different layers of the model or “search depths”
- non-linearity activation: $\sigma$
GraphSAGE Forward Propagation Algorithm
3. 실험
4. 결론
- Graph Inductive Learning Method 개발
- Speed, Scalability
댓글남기기