手机

iphone11大小尺寸是多少？苹果iPhone11和iPhone13的区别是什么？

警方通报辅警执法直播中被撞飞：犯罪嫌疑人已投案

Pytorch-geometric: Creating Message Passing Networks 构建消息传递网络教程

2023-01-18 21:59:32 来源：博客园

一、背景

将卷积运算推广到不规则域通常表示为邻局聚合(neighborhood aggregation)或消息传递(neighborhood aggregation)模式。

$\mathbf{x}^{(k-1)}_i \in \mathbb{R}^{1 \times D}$表示节点$i$在第$(k-1)$层的节点特征， $\mathbf{e}_{j,i} \in \mathbb{R}^{1 \times F}$表示节点$j$到节点的$i$边特征（可选的），消息传递图神经网络可以描述为：

【资料图】

\[\mathbf{x}_i^{(k)} = \gamma^{(k)} \left( \mathbf{x}_i^{(k-1)}, \square_{j \in \mathcal{N}(i)} \, \phi^{(k)}\left(\mathbf{x}_i^{(k-1)}, \mathbf{x}_j^{(k-1)},\mathbf{e}_{j,i}\right) \right), \]

其中, $\square$表示可微且置换不变的聚合函数(aggregation function)，例如, sum、mean或max，消息函数(message function)$\phi$ 和更新函数(update function)$\gamma$均为可微函数，例如MLP。

值得注意的是，一般GNN论文中通常给出的是聚合邻居信息的Aggregator和更新节点表示Updator，其Aggregator对应pytorch-geometric(PyG)中的消息函数和聚合函数。GNN本质上还是在做特征传播。

\[\mathbf{x}_{\mathcal{N}_{i}}^{(k)}=\text { AGGREGATE }_{(k)}\left(\left\{\mathbf{x}_{j}^{(k-1)}, \forall j \in \mathcal{N}_{i}\right\}\right) \]\[\mathbf{x}_{i}^{(k)}=\sigma\left(\mathbf{W}^{(k)} \cdot\left[\mathbf{x}_{i}^{(k-1)} \| \mathbf{x}_{\mathcal{N}_{i}}^{(k)}\right]\right)\]

例如，在GraphSage中，消息函数直接获取邻居节点$j \in \mathcal{N}_{i}$在第$k-1$层的嵌入，然后使用mean、max或LSTM作为聚合函数，更新函数将邻居中间嵌入和目标节点$i$自身嵌入拼接后做线性变化。

\[\alpha_{i j}=\frac{\exp \left(\text { Leaky ReLU }\left(\mathbf{a}^{T}\left[\mathbf{W} \mathbf{x}_{i} \| \mathbf{W} \mathbf{x}_{j}\right]\right)\right)}{\sum_{k \in \mathcal{N}_{i}} \exp \left(\text { Leaky ReLU }\left(\mathbf{a}^{T}\left[\mathbf{W} \mathbf{x}_{i} \| \mathbf{W} \mathbf{x}_{k}\right]\right)\right)}\]\[\mathbf{x}_{i}^{\prime}=\|_{k=1}^{K} \sigma\left(\sum_{j \in \mathcal{N}_{i}} \alpha_{i j}^{k} \mathbf{W}^{k} \mathbf{x}_{j}\right)\]

又例如，在GAT中，消息函数根据注意力系数对节点嵌入进行归一化，然后使用"add"作为聚合函数。

二、MessagePassing基类

PyG的torch_geometric.nn中提供了MessagePassing基类，它通过自动处理消息传播来帮助创建此类消息传递图神经网络。用户只需重新定义$\phi$message()和$\gamma$update()及aggregation聚合方式（函数），例如aggr="add", aggr="mean"or aggr="max"，就可以实现自己GNN模型。

借助以下4个方法可实现上述目的：MessagePassing(aggr="add", flow="source_to_target", node_dim=-2)：定义要使用的聚合方案（"add"，"mean"或"max"）和消息传递的流向（"source_to_target"或"target_to_source"）。此外，node_dim属性指明沿哪个轴传播。

MessagePassing.propagate(edge_index, size=None, **kwargs): 开始传播消息的初始调用。它接收边索引edge_index和构造消息所需的所有其他数据，来更新节点嵌入。propagate()不仅可以在[N, N]的方矩中交换消息，还可通过传入size=(N, M)作为附加参数传递来交换形如[N, M]的稀疏分配矩阵（例如，推荐系统中的二部图）中的消息。如果size设为None，则矩阵为方阵。

MessagePassing.message(...)：类似$\phi$，构造每条边到节点$i$的消息。若 flow="source_to_target"则$(j,i) \in \mathcal{E}$和flow="target_to_source"则 $(i,j) \in \mathcal{E}$。它可接受最初传递给propagate()的任何参数。此外，传递给propagate()的tensors可通过添加后缀_i和_j到变量名（例如，x_i和x_j）映射到对应的节点$i$和$j$。根据习惯，通常用$i$表示聚合信息的中心节点（目标target），并用$j$表示邻居节点（源source）。

MessagePassing.update(aggr_out, ...)：类似$\gamma$，更新每个节点$i \in \mathcal{V}$的嵌入。聚合操作的输出aggr_out作为其第一个参数，以及最初传递给propagate()的任何参数。

三、例子

接下来，将通过MessagePassing实现GCN和EdgeConv来作进一步介绍。为便于表示，将节点特征表示为行向量。

3.1 实现GCN层

矩阵形式的GCN层：

\[\mathbf{X}^{(k)} =\sigma\left(\hat{\mathbf{A}} \mathbf{X}^{(k-1)} \mathbf{W}^{(k)} \right)\]

其中，$\hat{\mathbf{A}}=\tilde{\mathbf{D}}^{-\frac{1}{2}} \tilde{\mathbf{A}} \tilde{\mathbf{D}}^{-\frac{1}{2}} \in \mathbb{R}^{N \times N}$为自环归一化邻接矩阵，$\tilde{\mathbf{A}}=\mathbf{A}+\mathbf{I}$在原始邻接矩阵上加自环连接, $\tilde{\mathbf{D}}=\mathbf{D}+\mathbf{I}$，$\mathbf{X}^{(k-1)}\in \mathbb{R}^{N \times D}$，$\mathbf{W}^{(k)}\in \mathbb{R}^{D\times D}$。

将$\hat{\mathbf{A}}$在节点层面展开:

$\tilde{\mathbf{A}}$先左乘$\tilde{\mathbf{D}}^{-\frac{1}{2}}$做行变化，即对$\tilde{\mathbf{A}}$的每一行$\tilde{\mathbf{A}}_{i:}$按节点$i$的度$deg(i)^{-\frac{1}{2}}$进行归一化（假设$\tilde{\mathbf{A}}$为指示矩阵，除自己之外，只有节点$i$的一阶邻居$j \in \mathcal{N}(i)$的值$\tilde{\mathbf{A}}_{ij}$为1)。
$\tilde{\mathbf{D}}^{-\frac{1}{2}} \tilde{\mathbf{A}}$再右乘$\tilde{\mathbf{D}}^{-\frac{1}{2}}$做列变化，即对每一列$(\tilde{\mathbf{D}}^{-\frac{1}{2}} \tilde{\mathbf{A}})_{:j}$按节点$j$的度$deg(j)^{-\frac{1}{2}}$再做归一化。

此时，$\hat{\mathbf{A}}_{ij}=\tilde{\mathbf{A}}_{ij} deg(i)^{-\frac{1}{2}} deg(j)^{-\frac{1}{2}}$，即将满足$\tilde{\mathbf{A}}_{ij} \neq 1$的边 $ e_{ij}$ 对应的节点对 的度来进行归一化。

$\hat{\mathbf{A}}$的行或列之和并不为一，它不同于可视为概率转移矩阵的简单行归一化$\tilde{\mathbf{D}}^{-1} \tilde{\mathbf{A}}$或列归一化$\tilde{\mathbf{A}} \tilde{\mathbf{D}}^{-1} $。

$\hat{\mathbf{A}}$ 右乘 $\mathbf{X}^{(k-1)}$，相当于用$\hat{\mathbf{A}}$的每一行的系数对节点的行向量矩阵做线性组合。其中，节点$i$在第$k$层的表示$\mathbf{x}^{(k)} \in \mathbb{R}^{1 \times D}$是由 $\hat{\mathbf{A}}_{i:} \in \mathbb{R}^{1 \times N}$乘以$\mathbf{X}^{(k-1)} \in \mathbb{R}^{N \times D}$，等价于直接以加权系数$\hat{\mathbf{A}}_{i:}$对节点$i$的一阶邻居$\mathcal{N}(i)$以及$i$自己的节点表示做线性组合（加权求和）。

由此，可得到空域视角的GCN层的定义：

\[\mathbf{x}_i^{(k)} = \sum_{j \in \mathcal{N}(i) \cup \{ i \}} \frac{1}{\sqrt{\deg(i)} \cdot \sqrt{\deg(j)}} \cdot \left( \mathbf{x}_j^{(k-1)} \mathbf{W}^{(k)} \right) + \mathbf{b},\]

其中, 邻居节点的特征先经权重矩阵$\mathbf{W}^{(k)} $做变换，再按它们的度做归一化，最后求和。最后，将偏置向量应用于聚合输出。

GCN公式可分为以下步骤：

将自环连接加到邻接矩阵上
线性变换节点特征矩阵
计算归一化系数
归一化节点特征（制作message的过程）
使用"add"方法聚合节点特征（先汇聚邻居节点特征，再和目标节点特征合并）
加上偏置向量（bias为可选项）。

第1-3步通常在消息传递前计算，4-5步可用MessagePassing基类轻松实现。完整实现如下所示：

点击查看代码

import torchfrom torch.nn import Linear, Parameterfrom torch_geometric.nn import MessagePassingfrom torch_geometric.utils import add_self_loops, degreeclass GCNConv(MessagePassing):    def __init__(self, in_channels, out_channels):        # in_channels为输入节点特征维度, out_channels为输出节点特征维度        # 初始化GCN层中的线性变换权重矩阵和bias向量        super().__init__(aggr="add")  # "Add" aggregation (Step 5).        self.lin = Linear(in_channels, out_channels, bias=False)        self.bias = Parameter(torch.Tensor(out_channels))        self.reset_parameters()    def reset_parameters(self):        # 参数初始化        self.lin.reset_parameters()        self.bias.data.zero_()    def forward(self, x, edge_index):        # 节点特征矩阵x的shape为[N, in_channels]        # 边索引edge_index的shape为[2, E]        # Step 1: 将自环连接加到邻接矩阵上        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))        # Step 2: 对节点特征矩阵做线性变换        x = self.lin(x)        # Step 3: 计算归一化系数        row, col = edge_index # 分别取出边索引的两部分        # 由于GCN一般将图视为无向，row或col中分别包含所有节点的索引，故可根据col统计节点的度        deg = degree(col, x.size(0), dtype=x.dtype) # 度对角矩阵        deg_inv_sqrt = deg.pow(-0.5) # 对角元素开负根号        deg_inv_sqrt[deg_inv_sqrt == float("inf")] = 0        # 归一化系数实际对应每条边，直接用边索引取度相乘即可        # norm的shape为[E, 1], E为边数量        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]        # Step 4-5:开始传播消息        out = self.propagate(edge_index, x=x, norm=norm)        # Step 6: 加偏置向量        out += self.bias        return out    def message(self, x_j, norm):        # x_j的shape为[E, out_channels]        # Step 4: 归一化节点特征(先将norm系数变为列向量，再和x_j做点乘)        return norm.view(-1, 1) * x_j

GCNConv继承了使用"add"聚合操作的MessagePass。GCN层的所有计算逻辑都包含在其forward方法中。

在计算好归一化系数norm后(在GCN中norm固定)，将调用propagate()，该函数内部会调用message()、update()和aggregate()。除了edge_index, 节点嵌入x和归一化系数norm将作为GCN消息传播的附加参数。

在message()函数中，需通过norm对邻居节点特征进行归一化。这里，x_j表示一个 a lifted tensor，它包含每个边的source源节点特征，即每个节点的邻居。

以上就是创建一个简单的消息传递层所需的全部内容。此层可用作深层GNN的基础模块。初始化和调用它很简单：

点击查看代码

conv = GCNConv(16, 32)x = conv(x, edge_index)

3.2 实现EdgeConv层

边卷积层可以处理处理图或点云，它在数学上定义为：

\[\mathbf{x}_i^{(k)} = \max_{j \in \mathcal{N}(i)} h_{\mathbf{\Theta}} \left( \mathbf{x}_i^{(k-1)}, \mathbf{x}_j^{(k-1)} - \mathbf{x}_i^{(k-1)} \right),\]

其中，$h_{\mathbf{\Theta}}$表示MLP。与GCN层类似，可使用MessagePassing类来实现它，聚合方式将使用"max"：

点击查看代码

import torchfrom torch.nn import Sequential as Seq, Linear, ReLUfrom torch_geometric.nn import MessagePassingclass EdgeConv(MessagePassing):    def __init__(self, in_channels, out_channels):        super().__init__(aggr="max") #  "Max" aggregation.        self.mlp = Seq(Linear(2 * in_channels, out_channels),                       ReLU(),                       Linear(out_channels, out_channels))    def forward(self, x, edge_index):        # x has shape [N, in_channels]        # edge_index has shape [2, E]        return self.propagate(edge_index, x=x)    def message(self, x_i, x_j):        # x_i has shape [E, in_channels]        # x_j has shape [E, in_channels]        tmp = torch.cat([x_i, x_j - x_i], dim=1)  # tmp has shape [E, 2 * in_channels]        return self.mlp(tmp)

在message()函数内部，self.mlp用于变换目标节点的特征x_i和每条边 $(j,i) \in \mathcal{E}$的相对源节点特征 x_j - x_i。边卷积实际为是动态卷积，对GNN的每一层都在特征空间使用knn最近邻来重新计算图结构。

参考文献

[1] Pytorch-geometric官方文档-Creating Message Passing Networks[2] https://blog.csdn.net/morgan777/article/details/121183287[3] https://zhuanlan.zhihu.com/p/130796040[4] https://blog.csdn.net/weixin_39925939/article/details/121360884

关键词：消息传递邻接矩阵线性变换