KDD20: DAGNN Towards Deeper Graph Neural Networks

1.model

DAGNN的思想也比较 简单： SGC的 升级版本，考虑了不同感受野（通过拼接）。 SSGC是通过求和。

1. X先通过MLP降维得到Z， 这个Z进行多次传播得到Hk。

2.将Z，H拼接。 ZH的维度都是 类别的维度c

3. 同时采用了一个 project vector（ 实际上还是 一个降维的，作者自己用PyG实现时 还是采用了 Linear 实现降维。 DGL版本则是 通过 Parameter(torch.tensor) 更加贴合实现了 这个向量）。

拼接之后的ZH 形成的 H’ 和 这个 project s 乘积 求得 S （这个S 就是多层的表征，维度=1， 此时 像是 给每层表征的每个节点 都求得了一个attention）

之后 reshape 和 之前的 H‘进行 矩阵乘法， 多了一个维度 采用squeeze压缩第二维=1


文章的核心 就是 这个 自适应调节机制， 通过 可训练的这个 vector s向量来 对于每个节点 获得 不同的 retainment scores 文章的参数 只有 mlp + 这个 s

pyG实现： 堆叠后的表征pre送入 linear 得到score

DGL实现：一个 一维向量和 堆叠后的 表征相乘得到 score