Inductive Representation Learning on Large Graphs
Metadane
- Autorzy: W. L. Hamilton, R. Ying, J. Leskovec
- Rok: 2017
- Źródło: Advances in Neural Information Processing Systems (NeurIPS)
- DOI/Link: arXiv:1706.02216
- Status: to-read
- Pochodzenie: Wyekstrahowane z zhao-bot-detection-gnn-ecommerce-2026
- Tagi: to-read reference graphsage gnn inductive-learning graph-neural-networks foundational
Streszczenie
GraphSAGE (Graph Sample and Aggregate) to fundamentalna publikacja wprowadzająca inductive representation learning na dużych grafach. W przeciwieństwie do transductive approaches (wymagających pełnego grafu podczas treningu), GraphSAGE uczy się agregować features z lokalnych sąsiedztw, umożliwiając generalizację na unseen nodes. Jest to kluczowa metoda wykorzystana w publikacji Zhao et al. dla bot detection w e-commerce.
Kluczowe Wnioski
- Inductive learning: generalizacja na unseen nodes bez retreningu
- Sample and aggregate framework dla skalowania na large graphs
- Neighborhood aggregation z learned aggregator functions
- Foundational GNN method (NeurIPS 2017, highly cited)
- Cold-start capability: scoring new nodes without retraining
Notatki
Publikacja dodana automatycznie z bibliografii GraphSAGE bot detection paper (Zhao et al. 2026). Jest to fundament metody - Zhao et al. wykorzystują GraphSAGE do inductive classification session-URL graphs. Bez tej metody cold-start bot detection byłby niemożliwy. Dodaj PDF aby wygenerować pełne podsumowanie używając /summarize-paper hamilton-graphsage-inductive-2017
Context z GraphSAGE paper: “We apply inductive GraphSAGE for session classification. […] GraphSAGE preserves strong performance under cold start (AUC 0.963 vs. 0.970 in-sample) with only a minor drop.”