今天分享的这篇文章，出自ibm，之前对ibm的印象是做硬件的，没想到在人工智能的浪潮中，他依旧是一个强劲的弄潮儿。这篇论文提出的FastGCN,是建立在原始GCN基础之上的一种基于概率测度下embedding函数的积分变换视角，通过重要性采样实现的高效算法。
本文将从模型原理和实验两方面对这篇论文进行介绍。一般认为，基于图的卷积神经网络模型来自于两个方面，一方面是谱图理论，一方面是表征学习，如node2vec和LINE算法，通过为每个节点学习一个全图特征表示，对图空间进行降维得到低维特征表示。与最近的GraphSAGE相比，GraphSAGE存在对邻居规模的限制，而FastGCN是对节点进行采样，而非邻居。
1. 模型理解
直观上看，计算公式和之前GCN相比，一个是全连接公式，一个是积分公式，但是FastGCN的积分公式，考虑到，V'是采样的独立同分布的样本节点集合，F是事件空间？（并不理解是干什么用）P是采样分布，概率评估矩阵。
左图每一层代表一批抽样节点，相邻层之间的连线代表在图中两点具有相连关系，not全连接；右图是在满足P分布的基础上进行抽样，后一层的embedding函数是前一层函数的积分变换。文中是一堆堆公式，看着很复杂，其实感觉就是用一个概率矩阵对节点进行抽样，即题目所说的重要性采样，但是对于P是怎么来的没有讲解。然后再转化为积分进行层间传播，虽然还是没弄明白积分变换有啥好处。感觉相比传统GCN，fastgcn之所以快是因为它在每层之间的传播过程做了抽样，而不是用全图去表示。
2.实验
这篇文章原理看的云里雾里，想通过实验部分进行理解，所以实验部分看的比较详细。实验设置，同样的数据集，分别与传统GCN算法、GraphSage算法进行比较。与GCN实验不同的是，这篇论文将数据即的所有样本都是用了，原始GCN论文的实验仅仅是选择了划分结果最好的小部分数据（我也是看了之后才知道原来实验可以这么做，哈哈哈），作者将全部数据加进来，我认为是更加合理的。同样的，本文的网络结构也不深，只有两层。选用的三个数据集也是常用的学术领域数据集，除了Reddit之外，都只是连通小网络。
论文在指标选择上使用的是F1值，对于多分类问题，包括之前看的GCN原始论文，用的都是准确率（accuracy)，不知为何这样选择。
从实验结果对比来看，FastGCN也都不是最好的，在它所说的适用于大图稠密图上的embedding，比较看来，也仅比原始GCN好了0.007.
时间性能上，相比其他两个模型，fastGCN在小图上表现良好，但是大图上具有一个数量级的优势。论文开始也提到了在转导推理方面的适用性，但是并未突出该应用，所以转导方面也不具有借鉴意义。由于笔者对原理部分理解还不够深入，对于fastgcn并没有眼前一亮的感觉。后续可能会通过看证明和代码，再梳理完善一下。暂时就说这么多~
==未完待续~
作者原创，欢迎交流，如需转载请先联系作者。
