#GraphSAGE

🔖GraphSAGE: как масштабировать графовые нейросети до миллиардов связей

Знали ли вы, что рекомендации в UberEats и Pinterest работают на графовых нейросетях с миллиардами узлов? Разбираем GraphSAGE — архитектуру, которая решает проблему масштабирования GNN.


🔹Масштабы впечатляют:

- Pinterest (PinSAGE): 3 млрд узлов, 18 млрд связей
- UberEats: 600K ресторанов, 66 млн пользователей


🔹 Главная проблема GNN:

Обычные графовые сети не могут работать с большими данными — нужно обрабатывать ВСЕ соседние узлы, что становится катастрофически медленно.


🔹 Решение GraphSAGE:

1. Выборка соседей
- Берем только фиксированное количество случайных соседей
- Создаем мини-батчи из подграфов
- Избегаем "популярных" узлов-хабов

2. Быстрая агрегация
- Агрегатор средних значений (самый простой)
- LSTM-агрегатор (лучшая точность)
- Max-pooling агрегатор


🔹 Результаты теста:

На датасете PubMed (20K узлов):
- GCN: 78.4% точность за 52.6 сек
- GAT: 77.1% точность за 18 мин
- GraphSAGE: 77.2% точность за 12.4 сек

GraphSAGE в 88 раз быстрее GAT при почти той же точности!


🔹Компромисс:

- ❌ Теряем информацию из-за обрезки графа
- ✅ Можем обрабатывать графы любого размера
- ✅ Масштабируемость важнее идеальной точности


🔹Применение:

- Рекомендательные системы
- Социальные сети
- Анализ знаний
- Биоинформатика


GraphSAGE доказывает: иногда "достаточно хорошо, но быстро" лучше чем "идеально, но медленно".


📎 Статья

🎙 Новости

📝 База вопросов