DGNConv

class dgl.nn.pytorch.conv.DGNConv(in_size, out_size, aggregators, scalers, delta, dropout=0.0, num_towers=1, edge_feat_size=0, residual=True)[源码]

基类: PNAConv

来自 Directional Graph Networks 的 定向图网络层

DGN 根据向量场 \(F\) 引入了两种特殊的定向聚合器，向量场 \(F\) 定义为图拉普拉斯算子低频特征向量的梯度。

定向平均聚合器定义为 \(h_i' = \sum_{j\in\mathcal{N}(i)}\frac{|F_{i,j}|\cdot h_j}{||F_{i,:}||_1+\epsilon}\)

定向导数聚合器定义为 \(h_i' = \sum_{j\in\mathcal{N}(i)}\frac{F_{i,j}\cdot h_j}{||F_{i,:}||_1+\epsilon} -h_i\cdot\sum_{j\in\mathcal{N}(i)}\frac{F_{i,j}}{||F_{i,:}||_1+\epsilon}\)

\(\epsilon\) 是无穷小量，用于保持计算的数值稳定性。

参数:

  • in_size (int) – 输入特征大小；即 \(h_i^l\) 的大小。

  • out_size (int) – 输出特征大小；即 \(h_i^{l+1}\) 的大小。

  • aggregators (list of str) –

    聚合函数名称列表（每个聚合器指定一种从邻居聚合消息的方式），可选值包括

    • mean: 邻居消息的平均值

    • max: 邻居消息的最大值

    • min: 邻居消息的最小值

    • std: 邻居消息的标准差

    • var: 邻居消息的方差

    • sum: 邻居消息的总和

    • moment3, moment4, moment5: 归一化矩聚合

    \((E[(X-E[X])^n])^{1/n}\)

    • dir{k}-av: 使用由第 k 个特征向量定义的向量进行定向平均聚合

    最小的特征向量。k 可以选择 1、2、3。

    • dir{k}-dx: 使用由第 k 个特征向量定义的向量进行定向导数聚合

    最小的特征向量。k 可以选择 1、2、3。

    注意，使用定向聚合需要在输入图上应用 LaplacianPE 变换来计算特征向量（PE 大小必须 >= 上述 k）。

  • scalers (list of str) –

    缩放函数名称列表，可选值包括

    • identity: 无缩放

    • amplification: 将聚合消息乘以 \(\log(d+1)/\delta\)，

    其中 \(d\) 是节点的入度。

    • attenuation: 将聚合消息乘以 \(\delta/\log(d+1)\)

  • delta (float) – 在训练集上计算的与入度相关的归一化因子，由缩放器用于归一化。\(E[\log(d+1)]\)，其中 \(d\) 是训练集中每个节点的入度。

  • dropout (float, optional) – Dropout 比率。默认值：0.0。

  • num_towers (int, optional) – 使用的 tower 数量。默认值：1。注意 in_size 和 out_size 必须能被 num_towers 整除。

  • edge_feat_size (int, optional) – 边特征大小。默认值：0。

  • residual (bool, optional) – 布尔标志，确定是否为输出添加残差连接。默认值：True。如果 DGN 卷积层的 in_size 和 out_size 不相同，此标志将被强制设置为 False。

示例

>>> import dgl
>>> import torch as th
>>> from dgl.nn import DGNConv
>>> from dgl import LaplacianPE
>>>
>>> # DGN requires precomputed eigenvectors, with 'eig' as feature name.
>>> transform = LaplacianPE(k=3, feat_name='eig')
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> g = transform(g)
>>> eig = g.ndata['eig']
>>> feat = th.ones(6, 10)
>>> conv = DGNConv(10, 10, ['dir1-av', 'dir1-dx', 'sum'], ['identity', 'amplification'], 2.5)
>>> ret = conv(g, feat, eig_vec=eig)
forward(graph, node_feat, edge_feat=None, eig_vec=None)[源码]

描述

计算 DGN 层。

参数 graph:

图。

类型 graph:

DGLGraph

参数 node_feat:

输入特征，形状为 \((N, h_n)\)。\(N\) 是节点数量，\(h_n\) 必须与 in_size 相同。

类型 node_feat:

torch.Tensor

参数 edge_feat:

边特征，形状为 \((M, h_e)\)。\(M\) 是边数量，\(h_e\) 必须与 edge_feat_size 相同。

类型 edge_feat:

torch.Tensor, optional

参数 eig_vec:

图拉普拉斯算子的 K 个最小非平凡特征向量，形状为 \((N, K)\)。仅当 aggregators 包含定向聚合器时需要此参数。

类型 eig_vec:

torch.Tensor, optional

返回:

输出节点特征，形状为 \((N, h_n')\)，其中 \(h_n'\) 应与 out_size 相同。

返回类型:

torch.Tensor