AGCN (自适应图卷积网络) 新手入门：从原理到实战避坑指南

1次阅读

共计 1943 个字符，预计需要花费 5 分钟才能阅读完成。

传统图卷积网络（GCN）在处理非欧几里得数据时表现出色，但其固定结构的邻接矩阵限制了在动态图数据上的性能。现实世界中的图数据往往是动态变化的，例如社交网络中用户关系的建立与解除、交通网络中道路拥堵程度的实时变化等。传统 GCN 无法自适应地捕捉这些动态变化，导致模型性能下降。

AGCN 通过动态调整邻接矩阵权重，解决了这一局限性。其核心思想是利用注意力机制，根据节点特征动态计算边权重，从而更好地捕捉图结构中的动态关系。

模型	参数量	计算复杂度	动态适应性	适用场景
GCN	中等	O(N^2)	无	静态图
GraphSAGE	较大	O(N)	部分	大规模图
AGCN	较大	O(N^2)	强	动态图 / 异构图

AGCN 的动态邻接矩阵 A ’ 由原始邻接矩阵 A 和注意力权重矩阵 E 共同决定：

$$A’ = A \odot E$$

其中 $\odot$ 表示哈达玛积（逐元素相乘），E 通过以下公式计算：

$$E_{ij} = \frac{\exp(\text{LeakyReLU}(a^T[Wh_i||Wh_j]))}{\sum_{k\in\mathcal{N}_i}\exp(\text{LeakyReLU}(a^T[Wh_i||Wh_k]))}$$

import torch
import torch.nn as nn
import torch.nn.functional as F

class AdaptiveGraphConv(nn.Module):
    def __init__(self, in_features, out_features, heads=4):
        super().__init__()
        self.W = nn.Linear(in_features, out_features)  # 特征变换
        self.a = nn.Parameter(torch.randn(2*out_features, 1))  # 注意力参数
        self.heads = heads

    def forward(self, x, adj):
        """
        x: [N, in_features] 节点特征矩阵
        adj: [N, N] 原始邻接矩阵
        """
        h = self.W(x)  # [N, out_features]

        # 计算注意力分数
        h_i = h.unsqueeze(1).repeat(1, h.size(0), 1)  # [N, N, out_features]
        h_j = h.unsqueeze(0).repeat(h.size(0), 1, 1)  # [N, N, out_features]
        alpha = torch.cat([h_i, h_j], dim=-1)  # [N, N, 2*out_features]
        alpha = torch.matmul(alpha, self.a).squeeze(-1)  # [N, N]
        alpha = F.leaky_relu(alpha, negative_slope=0.2)

        # 掩码处理
        alpha = alpha.masked_fill(adj == 0, -1e9)
        attention = F.softmax(alpha, dim=-1)  # [N, N]

        # 生成动态邻接矩阵
        adj_dynamic = adj * attention

        # 多头部处理
        output = torch.matmul(adj_dynamic, h)  # [N, out_features]
        return output