torch_geometric.nn.conv.EGConv
- class EGConv(in_channels: int, out_channels: int, aggregators: List[str] = ['symnorm'], num_heads: int = 8, num_bases: int = 4, cached: bool = False, add_self_loops: bool = True, bias: bool = True, **kwargs)[source]
Bases:
MessagePassing来自“自适应滤波器和聚合器融合用于高效图卷积”论文的高效图卷积。
其节点式公式如下：
\[\mathbf{x}_i^{\prime} = {\LARGE ||}_{h=1}^H \sum_{\oplus \in \mathcal{A}} \sum_{b = 1}^B w_{i, h, \oplus, b} \; \underset{j \in \mathcal{N}(i) \cup \{i\}}{\bigoplus} \mathbf{W}_b \mathbf{x}_{j}\]其中 \(\mathbf{W}_b\) 表示基础权重， \(\oplus\) 表示聚合器，\(w\) 表示每个顶点 在不同头、基础和聚合器之间的权重系数。
EGC 保留了 \(\mathcal{O}(|\mathcal{V}|)\) 的内存使用量，使其成为
GCNConv、SAGEConv或GINConv的合理替代方案。注意
有关使用
EGConv的示例，请参见examples/egc.py。- Parameters:
in_channels (int) – 每个输入样本的大小，或
-1以从 forward 方法的第一个输入推导出大小。out_channels (int) – Size of each output sample.
aggregators (List[str], optional) – 要使用的聚合器。 支持的聚合器有
"sum","mean","symnorm","max","min","std","var"。 可以使用多个聚合器来提高性能。 (默认:["symnorm"])num_heads (int, optional) – 使用的头数 \(H\)。必须满足
out_channels % num_heads == 0。建议设置num_heads >= num_bases。（默认值：8）num_bases (int, optional) – 使用的基础权重数量 \(B\)。 (默认:
4)cached (bool, optional) – 如果设置为
True，该层将在第一次执行时缓存添加自循环的边索引的计算，如果使用了"symnorm"聚合器，还会缓存对称归一化边权重的计算。此参数应仅在传导学习场景中设置为True。（默认值：False）add_self_loops (bool, optional) – If set to
False, will not add self-loops to the input graph. (default:True)bias (bool, optional) – If set to
False, the layer will not learn an additive bias. (default:True)**kwargs (optional) – Additional arguments of
torch_geometric.nn.conv.MessagePassing.
- Shapes:
输入: 节点特征 \((|\mathcal{V}|, F_{in})\), 边索引 \((2, |\mathcal{E}|)\)
输出: 节点特征 \((|\mathcal{V}|, F_{out})\)