一种新的增量式图神经网络学习框架.pdfVIP

第37卷第3期闽南师范大学学报（自然科学版）Vol.37No.3

2024年9月JournalofMinnanNormalUniversity（NaturalScience）Sep.2024

DOI:10.12457/j.issn.2095-7122.2024.03.003

一种新的增量式图神经网络学习框架

1112

杨习贝，丛辉，范燕，王平心

（1.江苏科技大学计算机学院，江苏镇江212100；2.江苏科技大学理学院，江苏镇江212100）

摘要：近年来，图神经网络（graphneuralnetworks，GNN）因其在图表示学习上的优越性能，引

起了众多学者的关注.然而，GNN在面对大规模图数据时，由于全图梯度下降，网络在收敛速度

方面存在着巨大挑战.鉴于此，提出了一种新的GNN框架：基于采样的增量式图神经网络（sam‐

plingbasedincrementalgraphneuralnetwork，IGNN）.首先，IGNN利用采样策略将大尺度图拆分

为多个小尺度子图，这一操作在关注细节的同时，可以缓解由大规模图的计算消耗所带来的效

率问题.其次，为了维护子图之间原有的关联性，IGNN封装了一种增量式的子图共享策略，可以

在不同尺度的子图之间共享权重矩阵，从而渐进地获得不同尺度子图的嵌入表示，这使得训练

过程的收敛更快.本研究提出的IGNN框架是即插即用的，适用于很多流行的GNN模型.在8个

图数据集上进行半监督节点分类的实验结果表明，其在不同标签率下，分类任务准确率占据着

明显的优势.特别地，与其他模型相比，IGNN在较少的迭代次数中，实现了更高的分类精度.

关键词：图神经网络；增量学习；节点分类；半监督学习；采样

中图分类号：TP181文献标志码：A文章编号：2095-7122（2024）03-0028-14

Anewincrementalgraphneuralnetworklearningframework

1112

YANGXibei，CONGHui，FANYan，WANGPingxin

(1.SchoolofComputer，JiangsuUniversityofScienceandTechnology，Zhenjiang，Jiangsu212100，China;

2.SchoolofScience，JiangsuUniversityofScienceandTechnology，Zhenjiang，Jiangsu212100，China)

Abstract:Recently，GraphNeuralNetworks(GNN)haveattractedextensiveattentionfrommany

scholarsduetotheirsuperiorperformanceingraphrepresentationlearning.However，attributedto

full-graphgradientdescent,GNNfacessignificantchallengesintermsofconvergencespeedwhenit

comestolarge-scal