2.Layer-wise sampling
2.1 FastGCN
论文标题：FastGCN: fast learning with graph convolutional networks via importance sampling
论文来源：ICLR2018
论文方向：图卷积网络
论文链接：https://arxiv.org/abs/1801.10247
我们已知，GCN的形式为：
从积分的角度看待图卷积，假设图是无限大图的子集，所有结点为独立同分布的结点，满足
则可以应用蒙特卡洛法，对每一层进行采样 个结点， 来近似积分，以前层的结点作为共享邻居集合：
此外为了减少估计方差（Variance Reduction），采用重要性采样(Importance samling)，结点根据以下概率分布采样：
2.2 ASGCN
论文标题：Adaptive Sampling Towards Fast Graph Representation Learning
论文来源：NIPS2018
论文方向：图卷积网络
论文链接：https://arxiv.org/abs/1809.05343
对FastGCN的最后一个公式，其最优的解（最小化从 抽样出的结点的方差， ）为：
其中 ，而 则是上一层结点从邻居聚集而来的隐层表示。在FastGCN中，则有
为了防止递归困境，为importance sampling学习一个独立的决定其重要性的函数(Adaptive sampling)，基于结点的特征 来计算：
因此最终的抽样结点的分布为:
