GCA代码

talk

这篇文章没有复现出 wikics上结果，github上很多人遇到相同问题，查看作者 的 json文件，和论文里面超参数不一样，但是修改之后，训练3000 epochs还是很差，精度=0.32左右，因此尝试 在 Cora等数据集上run，修改了部分参数，Cora上可以取得 80 左右的acc，因此主要关注 这几个 augmentations的实现， 这篇文章 代码基本上和 GRACE相同，损失和具体细节也类似

GCA

1. pagerank 和 eigenvalue 实现

首先 在 utils里面 计算了 ppr 和 特征值中心性。

核心 是 在 functional 里面计算不同的 mask重要性

2. edge 重要性

这一部分是 对于 每一条边 求出其 attention， 通过所连接的两个节点中的 入度节点的 属性计算

2.1 入度节点的 度

通过 degree函数计算出 每个节点的 度， 再通过 边的入度节点index 给每一条边 赋值

2.2 入度节点的 ppr

2.3 入度节点的 eigenvalue

掩码

前面三个求出每个边 attention 后 作为概率 通过伯努利分布采样 进行 丢弃

3. feature重要性

3.1 度

3.2 ppr

3.3 特征向量

这里Wikics实现dense版本， 其余datasets都是 one-hot计算掩码

传入特征矩阵 nk, 和每个节点的重要性 n1， 通过矩阵乘法 得到 k*1的 向量，表示 X中 每一维度的重要性

X掩码， 通过维度重要性 进行伯努利采样 生成 mask，得到X’

4.训练

得到两个 视图之后，进行对比学习，损失是 infonce损失，和 GRACE一样，计算 视图内和视图间。视图内 不同节点推远，视图间同一节点拉近，不同节点 推远。

conclusion

这篇文章就是 通过 度 ppr 和eigenvalue 进行 有针对的丢弃边和节点维度，这几个都是常见的 graph 的性质， 其实还有很多，比如 standford csw课程里面 其他的graph属性 也可以类比。