将卷积操作推广到不规则的域通常表示为 邻居聚合 或 消息传递机制。
x i ( k − 1 ) ∈ R F \mathbf{x}^{(k-1)}_i \in \mathbb{R}^F xi(k−1)∈RF 表示第k-1层节点i的特征, e j , i ∈ R D \mathbf{e}_{j,i} \in \mathbb{R}^D ej,i∈RD 表示节点j到节点i的边的特征,消息传递神经网络可以描述为:
x i ( k ) = γ ( k ) ( x i ( k − 1 ) , □ j ∈ N ( i ) ϕ ( k ) ( x i ( k − 1 ) , x j ( k − 1 ) , e j , i ) ) , \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), xi(k)=γ(k)(xi(k−1),□
【PyG】创建消息传递网络-图神经网络
最新推荐文章于 2024-04-25 18:24:17 发布
本文介绍了如何在PyG中利用消息传递机制创建图神经网络,包括GCN层和Edge Convolution的实现。文章详细阐述了消息传递基类的原理,以及如何自定义消息构造和节点更新函数。通过实例展示了GCN层和Edge Conv层的代码实现,强调了PyG在处理图数据和动态卷积操作上的便捷性。
摘要由CSDN通过智能技术生成