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)[source]

基础类：PNAConv

方向图网络层来自 方向图网络

DGN 根据向量场 \(F\) 引入了两个特殊的方向聚合器，该向量场被定义为图拉普拉斯低频特征向量的梯度。

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

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

\(\epsilon\) 是用于保持计算数值稳定的无穷小量。

Parameters:

  • in_size (int) – Input feature size; i.e. the size of \(h_i^l\).

  • out_size (int) – Output feature size; i.e. the size of \(h_i^{l+1}\).

  • aggregators (list of str) –

    聚合函数名称列表（每个聚合器指定了一种聚合邻居消息的方式），可从以下选项中选择：

    • 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: 由第k个最小特征向量定义的方向平均聚合

    k可以从1, 2, 3中选择。

    • dir{k}-dx: 由第k个最小特征向量定义的方向导数聚合

    k可以从1, 2, 3中选择。

    注意，使用方向聚合需要在输入图上进行LaplacianPE变换以计算特征向量（PE大小必须大于等于上述k）。

  • scalers (list of str) –

    缩放函数名称列表，从以下选项中选择：

    • identity: 不进行缩放

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

    其中 \(d\) 是节点的入度。

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

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

  • dropout (float, optional) – The dropout ratio. Default: 0.0.

  • num_towers (int, optional) – The number of towers used. Default: 1. Note that in_size and out_size must be divisible by num_towers.

  • edge_feat_size (int, optional) – The edge feature size. Default: 0.

  • residual (bool, optional) – 布尔标志，用于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)[source]

Description

计算DGN层。

param graph:

图表。

type graph:

DGLGraph

param node_feat:

The input feature of shape \((N, h_n)\). \(N\) is the number of nodes, and \(h_n\) must be the same as in_size.

type node_feat:

torch.Tensor

param edge_feat:

The edge feature of shape \((M, h_e)\). \(M\) is the number of edges, and \(h_e\) must be the same as edge_feat_size.

type edge_feat:

torch.Tensor, 可选的

param eig_vec:

图形拉普拉斯的最小非平凡特征向量，形状为 \((N, K)\)。 仅当 aggregators 包含方向性聚合器时才需要。

type eig_vec:

torch.Tensor, 可选的

returns:

The output node feature of shape \((N, h_n')\) where \(h_n'\) should be the same as out_size.

rtype:

torch.Tensor