models_architectures

# 模型与架构 ## 概述 TorchDrug 为各种基于图的学习任务提供了全面的预构建模型架构集合。本参考文档编录了所有可用模型及其特性、用例和实现细节。 ## 图神经网络 ### GCN (Graph Convolutional Network) **类型：** 空间消息传递 **论文：** Semi-Supervised Classification with Graph Convolutional Networks (Kipf & Welling, 2017) **特性：** - 简单高效的聚合 - 归一化邻接矩阵卷积 - 在同质图中表现良好 - 许多任务的良好基线 **最适合：** - 初始实验和基线 - 计算效率要求较高的场景 - 具有清晰局部结构的图 **参数：** - `input_dim`: 节点特征维度 - `hidden_dims`: 隐藏层维度列表 - `edge_input_dim`: 边特征维度（可选） - `batch_norm`: 应用批归一化 - `activation`: 激活函数 (relu, elu 等) - `dropout`: Dropout 比率 **用例：** - 分子性质预测 - 引文网络分类 - 社交网络分析 ### GAT (Graph Attention Network) **类型：** 基于注意力机制的消息传递 **论文：** Graph Attention Networks (Veličković et al., 2018) **特性：** - 学习邻居的注意力权重 - 对不同邻居赋予不同重要性 - 多头注意力以增强鲁棒性 - 自然处理不同节点度 **最适合：** - 邻居重要性差异较大的场景 - 异构图 - 需要可解释性预测的场景 **参数：** - `input_dim`, `hidden_dims`: 标准维度 - `num_heads`: 注意力头数 - `negative_slope`: LeakyReLU 斜率 - `concat`: 连接或平均多头输出 **用例：** - 蛋白质-蛋白质相互作用预测 - 关注反应位点的分子生成 - 具有关系重要性的知识图谱推理 ### GIN (Graph Isomorphism Network) **类型：** 最大表达能力的消息传递 **论文：** How Powerful are Graph Neural Networks? (Xu et al., 2019) **特性：** - 理论上最具表达力的 GNN 架构 - 单射聚合函数 - 能区分 GCN 无法区分的图结构 - 在分子任务上通常表现最好 **最适合：** - 分子性质预测（最先进水平） - 需要结构区分的任务 - 图分类 **参数：** - `input_dim`, `hidden_dims`: 标准维度 - `edg