我们提出了一个分散的“Local2Global”的图形表示学习方法，即可以先用来缩放任何嵌入技术。我们的Local2Global方法首先将输入图分成重叠的子图（或“修补程序”）并独立地培训每个修补程序的本地表示。在第二步中，我们通过估计使用来自贴片重叠的信息的刚性动作的一组刚性运动来将本地表示将本地表示与全局一致的表示。 Local2Global相对于现有工作的关键区别特征是，在分布式训练期间无需经常昂贵的参数同步训练曲线的培训。这允许Local2Global缩放到大规模的工业应用，其中输入图甚至可能均不适合存储器，并且可以以分布式方式存储。我们在不同大小的数据集上应用Local2Global，并表明我们的方法在边缘重建和半监督分类上的规模和准确性之间实现了良好的权衡。我们还考虑异常检测的下游任务，并展示如何使用Local2Global在网络安全网络中突出显示异常。
translated by 谷歌翻译