Les réseaux de neurones à convolution sur graphe (GCN) récemment proposés par Kipf et Welling constituent un modèle graphique efficace pour l'apprentissage semi-supervisé. Cependant, ce modèle a été conçu à l'origine pour être appris en présence simultanée de données d'entraînement et de test. De plus, l'expansion récursive des voisinages à travers les couches pose des défis en termes de temps et de mémoire lors de l'entraînement avec des graphes grands et denses. Pour alléger la contrainte de disponibilité simultanée des données de test, nous interprétons les convolutions sur graphe comme des transformations intégrales de fonctions d'embedding sous des mesures de probabilité. Une telle interprétation permet l'utilisation d'approches Monte Carlo pour estimer de manière cohérente les intégrales, ce qui conduit à un schéma d'entraînement par lots que nous proposons dans ce travail---FastGCN. Amélioré par le prélèvement pondéré, FastGCN non seulement est efficace pour l'entraînement mais généralise également bien pour l'inférence. Nous présentons une série complète d'expériences pour démontrer son efficacité comparée aux GCN et aux modèles connexes. En particulier, l'entraînement est plus efficace de plusieurs ordres de grandeur tout en maintenant des prédictions aussi précises.请注意，虽然您的要求中提到“符合韩语表达习惯”，但因为目标语言是法语，所以我在翻译时考虑的是法语的表达习惯。如果您有任何其他要求或需要进一步调整，请告知我。