CREATING MESSAGE PASSING NETWORKS

概述：邻居聚集和消息传递

The "MessagePassing" Base Class

PyG提供了消息传递基类，用于创建GNN自动化的消息传递机制。用户只需要定义函数 γ 和 ϕ \gamma 和 \phiγ和ϕ ，分别表示为message()，update()。聚集操作有aggr="add", aggr="mean" or aggr="max"等。

下面是一些相关方法的简介：

MessagePassing(aggr="add", flow="source_to_target", node_dim=-2)：定义了一个聚集机制，三个参数分别聚集方式，消息传递方向以及沿哪个维度进行传播。

MessagePassing.propagate(edge_index, size=None, **kwargs)：首次调用开始传播消息。获取边索引edge_index和所有用于构造消息和更新节点嵌入的附加数据。这个函数不但可以用于方阵，而且也可以用于二分图等非方阵图，但是需要传递size参数表明矩阵形状size=(N, M)。

MessagePassing.message(...)：构造消息到节点i，但是根据传播方向有两个中情况，如果边方向是(j,i) 且 flow="source_to_target"，即边是j指向i，而且消息流向是源节点到目的节点，或者相反。通常将中心节点表示为i，邻居节点表示为j。

MessagePassing.update(aggr_out, ...)：更新每个节点i的嵌入向量，接受聚合的输出作为第一个参数以及最初传递给propagate()的任何参数。

GCN层实现

GCN层的数学定义如下：

 

邻居节点的特征首先通过权重矩阵Θ \mathbf{\Theta}Θ进行变换，然后使用他们的度进行标准化，最终加和。将其步骤写为如下几步：

向邻接矩阵添加自循环。

线性变换节点特征矩阵。

计算归一化系数。

Normalize节点特性。

对相邻节点特征进行归纳(add聚合)。

步骤1-3通常是在消息传递之前计算的。使用MessagePassing基类可以很容易地处理步骤4-5。全层实现如下所示:
 

import torch
from torch_geometric.nn import MessagePassing
from torch_geometric.utils import add_self_loops, degree

class GCNConv(MessagePassing):
    def __init__(self, in_channels, out_channels):
        """
        Args:
            in_channels 就是输入节点特征维度
            out_channels 节点输出特征的维度
        
        """
        super().__init__(aggr='add')  # "Add" 聚集操作 (Step 5).
        self.lin = torch.nn.Linear(in_channels, out_channels)

    def forward(self, x, edge_index):
        # x has shape [N, in_channels]
        # edge_index has shape [2, E]

        # Step 1: 在邻接矩阵中添加自循环
        edge_index, _ = add_self_loops(edge_index, num_nodes=x.size(0))

        # Step 2: 对节点的特征矩阵进行转换
        x = self.lin(x)

        # Step 3: 归一化
        row, col = edge_index
        deg = degree(col, x.size(0), dtype=x.dtype) # 计算节点的度
        deg_inv_sqrt = deg.pow(-0.5)
        deg_inv_sqrt[deg_inv_sqrt == float('inf')] = 0
        norm = deg_inv_sqrt[row] * deg_inv_sqrt[col]

        # Step 4-5: 消息传递
        return self.propagate(edge_index, x=x, norm=norm)

    def message(self, x_j, norm):
        # x_j has shape [E, out_channels]

        # Step 4: Normalize node features.
        return norm.view(-1, 1) * x_j