PNAConv

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

Bases: Module

来自图网络的主邻域聚合的主邻域聚合层

PNA层由多个PNA塔组成。每个塔接收输入特征的一部分，并按照以下方式计算消息传递。

\[h_i^(l+1) = U(h_i^l, \oplus_{(i,j)\in E}M(h_i^l, e_{i,j}, h_j^l))\]

其中 \(h_i\) 和 \(e_{i,j}\) 分别是节点特征和边特征。 \(M\) 和 \(U\) 是MLPs，接收输入的连接以计算输出特征。 \(\oplus\) 表示各种聚合器和缩放器的组合。聚合器从邻居聚合消息，缩放器以不同方式缩放聚合的消息。 \(\oplus\) 连接每个组合的输出特征。

多个塔的输出被连接并输入到一个线性混合层以生成最终输出。

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），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

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

  • 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 \(d\) 是节点的度数。

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

  • delta (float) – 在训练集上计算的与度数相关的归一化因子，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度数。

  • dropout (float, optional) – 丢弃率。默认值：0.0。

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

  • edge_feat_size (int, 可选) – 边的特征大小。默认值：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PNA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 PNAConv
>>>
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> feat = th.ones(6, 10)
>>> conv = PNAConv(10, 10, ['mean', 'max', 'sum'], ['identity', 'amplification'], 2.5)
>>> ret = conv(g, feat)
forward(graph, node_feat, edge_feat=None)[source]

Description

计算PNA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

returns:

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

rtype:

torch.Tensor