【论文标题】Deep Graph Neural Networks with Shallow Subgraph Samplers 【作者团队】Hanqing Zeng, Muhan Zhang, Yinglong Xia, Ajitesh Srivastava, Rajgopal Kannan, Viktor Prasanna, Long Jin, Andrey Malevich, Ren Chen 【发表时间】2020/12/02 【论文链接】https://arxiv.org/abs/2012.01380 【推荐理由】本文来自南加州大学研究团队。作者提出了一种简单的“深层GNN，浅层采样器”设计原理，以提高GNN的准确性和效率，该方法为了生成目标节点的表示，作者使用深层GNN仅在浅层，局部子图中传递消息。 尽管图神经网络（GNN）是用于学习图上表示的强大模型，但大多数最新模型在两到三层之外都没有明显的精度提高。深度GNN基本上需要解决：过度平滑造成的表达挑战和邻里爆炸带来的计算挑战。作者提出了一种简单的“深层GNN，浅层采样器”设计原理，以提高GNN的准确性和效率-为了生成目标节点的表示，作者使用深层GNN仅在浅层，局部子图中传递消息。正确采样的子图可能会排除无关或什至有噪声的节点，并且仍然保留关键的邻域特征和图结构。然后，深层GNN对信息丰富的局部信号进行平滑处理以增强特征学习，而不是将全局图形信号过度平滑化为仅“白噪声”。作者从理论上证明了为什么将深层GNN与浅层采样器结合使用才能产生最佳的学习效果。然后，作者提出了各种采样算法和神经体系结构扩展，以取得良好的经验结果。在五个大型图形上进行的实验表明，与最新技术相比，本文的模型具有更高的准确性和效率。

内容中包含的图片若涉及版权问题，请及时与我们联系删除