作者及单位： 发表会议： KDD2019( 数据挖掘顶会 ) 数据集： PPI 、 Reddit 、 Amazon2M( 本文创建，比之前最大的 Reddit 数据集大 5 倍以上 )   GCN 存在的问题：   • 基于 Full-batch gradient descent • 在每一个 epoch 中对所有节点进行计算，每个 epoch 只更新一次参数，参数更新慢，收敛速度慢，在计算梯度下降时需要保存所有节点的 embeddings ，内存需求大 • 基于 Mini-batch SGD • 每次参数更新基于一个随机采样得到的 batch ，每个 epoch 可以进行多次参数更新。节点的数目减少，内存需求减少，但需要更新节点 embedding ，随着 GCN 层数增加，需要考虑的节点数目指数级增加，     

     neighborhood expansion problem，计算复杂度高

(Full-batch空间复杂度高，时间复杂度低(因为每个节点梯度计算时只计算一次)，每个epoch的训练时间是有效的GCN计算损失时，一部分损失是通过有标签的节点计算的，但是大部分的损失是通过拉普拉斯矩阵的性质计算的，某个节点的损失同时依赖其他节点的损失)

• Mini-batch SGD VS Full-batch gradient descent ：内存需求减少，但网络层数加深后因 neighborhood expansion 训练速度慢 ( Neighborhood expansion 当前节点与其他节点存在链接的关系， 当考虑某个节点相关的梯度计算时，需要得到节点的 embedding ，当前节点的 embedding 取决于其邻居节点的 embeddings ，并且我们还需要邻居节点的邻居节点的 embeddings ，假设 GCN 有 L+1 层，为了得到节点的梯度，需要从许多节点中为一个节点聚合特征。 训练速度是由每个 epoch 的训练速度和 epoch 的收敛速度决定 ) 本文改进方法 • 定义 embedding utilization: 计算第 l+1 层时第 l 层的 embeddings 被利用了 u 次，那么就说相应的 embedding utilization 是 u • 基于 Mini-batch ，先形成 clusters( 常用的图聚类算法，如 metis) ，对节点所在的 cluster 进行采样，更新 cluster 内节点的 embeddings Vanilla Cluster-GCN： • 对于一个图，将节点、链接、邻接矩阵进行重组，分为   分别代表 cluster 内和 cluster 间的邻  接矩阵 ,A 被分为 c² 个子矩阵     为cluster内邻接矩阵，    为其归一化形式

Stochastic Multiple Partitions：

•Vanilla Cluster-GCN存在的问题:

•[1]:graph被分成clusters后，一些节点之间的链接被消除，性能受到影响

•[2]:graph被分为clusters时将相似的节点聚集在一起，因此数据的分布情况不同于原始数据集，在执行SGD更新时对full gradient的有偏估计

Graph经过图聚类算法后其大多数标签分布的熵值明显比随机划分小，cluster的标签分布偏向于某些特定的标签，增加了不同batch之间的差异性

•随机多重聚类 Stochastic Multiple Partitions：

合并cluster间链接，首先将graph分为p个cluster，使用SGD更新时不仅考虑一个cluster，而是随机选择多个cluster，并将节点和链接加入到batch，cluster间的链接被重新合并，batch之间的差异减小

•原每层的输出表达:

•(9)对所有节点使用相同的权重而不管其邻居节点的数目，当网络更深，数组不稳定

• 对比 (9) 和 (11) ：      表示对角线增强

实验对比

     •数据集：Reddit数据集是GCN最大的公共数据集，Amazon2M是文章收集的(比Reddit大5倍以上)

       

  • 不同数据集上内存使用情况的比较 • 在 Amazon2M 上使用 VRGCN 和 Cluster-GCN 对比  

      

             • 在 PPI 数据集上使用 VRGCN 和 Cluster-GCN 运行时间对比 (200epochs)

 

           

使用不同数据集不同GCN方法的比较，x轴为训练时间，y轴为F1 score