FastGCN: 중요 샘플링을 통한 그래프 컨볼루션 네트워크의 빠른 학습

Kipf와 Welling이 최근 제안한 그래프 컨볼루션 네트워크(GCN)는 반지도 학습을 위한 효과적인 그래프 모델입니다. 그러나 이 모델은 원래 훈련 데이터와 테스트 데이터가 모두 존재할 때 학습되도록 설계되었습니다. 또한, 계층 간의 재귀적 이웃 확장은 대규모 밀집 그래프에서 훈련하는 데 시간과 메모리 문제를 야기합니다. 테스트 데이터의 동시 이용 가능성 요구 사항을 완화하기 위해, 우리는 그래프 컨볼루션을 확률 측정 아래 임베딩 함수의 적분 변환으로 해석합니다. 이러한 해석은 몬테 카를로 접근 방식을 사용하여 적분을 일관되게 추정할 수 있게 하며, 이는 우리 연구에서 제안하는 배치 훈련 체계인 FastGCN으로 이어집니다. 중요 샘플링으로 강화된 FastGCN은 훈련에 효율적일 뿐만 아니라 추론에서도 잘 일반화됩니다. 우리는 GCN 및 관련 모델과 비교하여 그 효과를 입증하는 포괄적인 실험 세트를 보여줍니다. 특히, 훈련은 수량적으로 훨씬 더 효율적이며 예측은 비슷하게 정확성을 유지합니다.