arXiv cs.LG·39 天前★ 2

基于电阻曲率的可扩展子图采样

原文标题：Scalable Subgraph Sampling via Resistance Curvature

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出以电阻曲率为指导的子图采样框架，核心是 ERC-LG 曲率近似方法，结合 Johnson-Lindenstrauss 投影与正则化多 GPU 批量共轭梯度求解器，避免显式拉普拉斯伪逆与全嵌入存储。曲率用于指导节点与边的采样概率以构建 GNN 训练子图。在七个真实数据集的节点分类任务中，六个取得最高平均准确率。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 大规模 GNN 子图采样的准则常忽略边的几何角色，且曲率计算代价高。
方法: 提出 ERC-LG 曲率近似，用 Johnson-Lindenstrauss 投影与多 GPU 批量共轭梯度，避免伪逆与全嵌入存储，并以曲率指导采样概率。
结果: 七个真实数据集节点分类中六个取得最高平均准确率，数值上与伪逆曲率一致且运行时间低于纯 CG 计算。
影响: 让曲率引导采样可扩展到大规模图，降低 GNN 训练成本且不牺牲精度。