LabelPropagation

class dgl.nn.pytorch.utils.LabelPropagation(k, alpha, norm_type='sym', clamp=True, normalize=False, reset=False)

Bases: Module

来自 Learning from Labeled and Unlabeled Data with Label Propagation 的标签传播

\[\mathbf{Y}^{(t+1)} = \alpha \tilde{A} \mathbf{Y}^{(t)} + (1 - \alpha) \mathbf{Y}^{(0)}\]

其中无标签数据初始设为零，并通过传播从有标签数据推断得出。\(\alpha\) 是一个权重参数，用于平衡更新后的标签和初始标签。\(\tilde{A}\) 表示归一化邻接矩阵。

参数:

• k (int) – 传播步数。

• alpha (float) – 范围在 [0, 1] 的 \(\alpha\) 系数。

• norm_type (str, optional) –

  应用于邻接矩阵的归一化类型，必须是以下选项之一

  • row: 行归一化邻接矩阵，表示为 \(D^{-1}A\)

  • sym: 对称归一化邻接矩阵，表示为 \(D^{-1/2}AD^{-1/2}\)

  默认值：‘sym’。

• clamp (bool, optional) – 一个布尔标志，指示传播后是否将标签限制在 [0, 1] 范围内。默认值：True。

• normalize (bool, optional) – 一个布尔标志，指示传播后是否应用行归一化。默认值：False。

• reset (bool, optional) – 一个布尔标志，指示是否在每次传播后重置已知标签。默认值：False。

示例

>>> import torch
>>> import dgl
>>> from dgl.nn import LabelPropagation

>>> label_propagation = LabelPropagation(k=5, alpha=0.5, clamp=False, normalize=True)
>>> g = dgl.rand_graph(5, 10)
>>> labels = torch.tensor([0, 2, 1, 3, 0]).long()
>>> mask = torch.tensor([0, 1, 1, 1, 0]).bool()
>>> new_labels = label_propagation(g, labels, mask)

forward(g, labels, mask=None)

计算标签传播过程。

参数:

• g (DGLGraph) – 输入图。

• labels (torch.Tensor) –

  输入的节点标签。支持以下三种情况。

  • 对于多类分类中的节点类别标签，形状为 \((N, 1)\) 或 \((N,)\) 的 LongTensor，其中 \(N\) 是节点数。

  • 对于多类分类中节点类别标签的独热编码，形状为 \((N, C)\) 的 LongTensor，其中 \(C\) 是类别数。

  • 对于多标签二分类中的节点标签，形状为 \((N, L)\) 的 LongTensor，其中 \(L\) 是标签数。

• mask (torch.Tensor) – 形状为 \((N,)\) 的布尔指示器，True 表示有标签节点。默认值：None，表示所有节点都有标签。

返回值:

传播后的节点标签，形状为 \((N, D)\)，类型为 float，其中 \(D\) 是类别数或标签数。

返回类型:

torch.Tensor