SVDPE

class dgl.transforms.SVDPE(k, feat_name='svd_pe', padding=False, random_flip=True)[source]

继承自: BaseTransform

基于 SVD 的位置编码，如论文 Global Self-Attention as a Replacement for Graph Convolution 中所介绍

此函数计算最大的 \(k\) 个奇异值及其对应的左奇异向量和右奇异向量，形成位置编码，可以存储在 ndata 中。

参数:

k (int) – 用于位置编码的最大的奇异值及其对应的奇异向量的数量。
feat_name (str, optional) – 在 ndata 中存储计算出的位置编码的名称。默认值: svd_pe
padding (bool, optional) – 如果为 False，当 \(k > N\) 时（\(N\) 是图 g 中的节点数）会引发错误。如果为 True，当 \(k > N\) 时会在编码末尾添加零填充。默认值: False。
random_flip (bool, optional) – 如果为 True，随机翻转编码向量的符号。建议在训练期间启用以获得更好的泛化能力。默认值: True。

示例

>>> import dgl
>>> from dgl import SVDPE

>>> transform = SVDPE(k=2, feat_name="svd_pe")
>>> g = dgl.graph(([0,1,2,3,4,2,3,1,4,0], [2,3,1,4,0,0,1,2,3,4]))
>>> g_ = transform(g)
>>> print(g_.ndata['svd_pe'])
tensor([[-6.3246e-01, -1.1373e-07, -6.3246e-01,  0.0000e+00],
        [-6.3246e-01,  7.6512e-01, -6.3246e-01, -7.6512e-01],
        [ 6.3246e-01,  4.7287e-01,  6.3246e-01, -4.7287e-01],
        [-6.3246e-01, -7.6512e-01, -6.3246e-01,  7.6512e-01],
        [ 6.3246e-01, -4.7287e-01,  6.3246e-01,  4.7287e-01]])