简介：LGCN是一种可学习的大规模图卷积网络模型，通过创新算法有效处理大规模图数据，适用于节点分类、链路预测等任务。详情请参阅相关PPT和PDF文档。
在给定的文件内容中提取出关于大型可学习图卷积网络（Large-Scale Learnable Graph Convolutional Networks，简称LGCN）的关键知识点是十分必要的。这些知识涵盖了背景、贡献、方法论、实验及结论等几个方面。
1. 背景知识：
研究出发点在于图卷积网络（Graph Convolutional Networks, GCN）与卷积神经网络（Convolutional Neural Networks, CNN）的不同之处，即GCN中每个节点有不同的邻接节点数量，需要不同大小和权重的滤波器。然而这些过滤器的权重对于所有接收场内的相邻节点来说是相同的，并且不是通过学习得到的。相比之下，LGCN借鉴了图注意力网络（Graph Attention Networks, GATs）的方法，该方法利用注意力机制为邻接节点赋予不同的、可训练的权重，但需要额外计算成对特征向量。
2. 研究贡献：
主要贡献包括：
- 提出了可学习图卷积层（Learnable Graph Convolutional Layer，LGCL），使标准的卷积操作可以在图上实现。
- 开发了一种子图训练方法（Sub-Graph Training）用于大规模图数据上的深度学习模型训练。这种方法显著减少内存和计算资源的需求同时保持了性能。
3. 方法论：
LGCN的方法包括：
- 可学习图卷积层：在一般情况下，不同节点的邻接节点数量不一且无法排序；LGCL使用基于k个最大邻居选择的一维CNN进行层级传播。
- 大规模数据子图训练方法：“裁剪”大规模图以获得较小的用于训练的小图。
4. 实验：
实验验证了LGCN在转导学习和归纳学习中的性能提升，并且用LGCL替换传统GCN层后，其效果优于后者。
5. 结论：
论文总结道，通过提出可学习图卷积层（LGCL）以及子图训练方法，LGCN能够在大规模数据上高效地进行深度模型的训练并保持了较高的模型性能。同时大幅度减少了内存和计算资源的需求。这不仅改进了图卷积网络在深度学习中的应用，并为处理大规模图形结构的数据提供了一种新的有效途径。
通过上述内容，我们可以了解到LGCN在图神经网络领域的创新点、实现方法以及它们的实验效果，这对于理解图卷积网络及其在大规模数据上的扩展应用具有重要意义。
5星
