LAD-GNN 将标签加入训练

介绍论文：Label Attentive Distillation for GNN-Based Graph Classification

在当今的数据科学领域，Graph Neural Networks (GNNs) 已成为处理图结构数据的强大工具。然而，传统的GNN在图分类任务中面临一个重要挑战——嵌入不对齐问题。本文将介绍一篇名为“Label Attentive Distillation for GNN-Based Graph Classification”的论文，该论文提出了一种新颖的解决方案——LAD-GNN，以显著提升图分类的性能。

论文地址

您可以在 AAAI 上找到这篇论文的详细内容。

知识蒸馏与GNN-MLP蒸馏

知识蒸馏

• 定义：一种将复杂模型（教师）的知识迁移到简单模型（学生）的技术。
• 步骤：
  1. 训练教师模型。
  2. 提取教师模型的知识。
  3. 使用这些知识训练学生模型。

师生模型

• 教师模型：深度、复杂，捕捉复杂特征。
• 学生模型：简单、易于部署，模仿教师模型。

GNN-MLP 蒸馏

• 目的：将GNN的知识迁移到MLP，减少模型复杂性。
• 应用：
  • 移动设备。
  • 嵌入式系统。
  • 快速部署。

实施步骤

1. 训练GNN教师模型：在图分类任务上训练。
2. 提取知识：获取节点或图嵌入。
3. 训练MLP学生模型：模仿教师模型的行为。

论文主要创新内容

本文提出了一种新的图神经网络训练方法，称为 LAD-GNN。该方法通过标签注意蒸馏，显著提高了图分类任务的准确性。其主要思路是在训练过程中引入标签信息，通过师生模型架构，实现类友好的节点嵌入表示。

论文创新点

论文的主要创新点在于提出了一种名为标签注意蒸馏方法（LAD-GNN）的新颖方法。该方法通过引入标签注意编码器，将节点特征与标签信息结合在一起，生成更加理想的嵌入表示。标签注意编码器能够捕捉全局图信息，使得节点嵌入更加对齐，从而解决了传统GNN中常见的嵌入不对齐问题。此外，该方法采用了基于师生模型架构的蒸馏学习策略，教师模型通过标签注意编码器生成高质量的嵌入表示，学生模型通过蒸馏学习从教师模型中学习类友好的节点嵌入表示，从而优化图分类任务的性能。实验结果表明，LAD-GNN在多个基准数据集上显著提高了图分类的准确性，展示了其在图神经网络领域的创新性和有效性。

主要贡献

1. 解决嵌入不对齐问题：通过引入标签注意蒸馏方法，有效解决了传统GNN中的嵌入不对齐问题。
2. 提升分类准确性：在多个基准数据集上，LAD-GNN 显著提高了图分类的准确性。
3. 创新性方法：提出了标签注意编码器和蒸馏学习相结合的创新性方法。

模型图

以下是 LAD-GNN 的模型架构图：

LAD-GNN 模型架构

该框架图可以看到该框架分为教师模型和学生模型两个阶段。

教师模型的训练过程是通过一种标签关注的训练方法进行的。在这个过程中，标签关注编码器会将真实标签编码成标签嵌入，并将其与由GNN骨干生成的节点嵌入结合，使用注意力机制形成一个理想的嵌入。这个理想嵌入被送入读出函数和分类头，以预测图的标签。标签关注编码器与GNN骨干一起训练，目的是最小化分类损失。

在学生模型的训练阶段，采用了一种基于蒸馏的方法。具体来说，教师模型训练完成后，生成的理想嵌入作为中间监督指导学生模型的训练。学生模型共享教师模型的分类头，通过最小化分类损失和蒸馏损失来继承教师模型的知识，生成有利于图级任务的节点嵌入。

在整个框架中，标签关注编码器起到了关键作用。它由标签编码器和多个注意力机制层组成，通过将标签嵌入和节点嵌入进行特征融合，捕捉两者之间复杂的关系，从而增强模型的表达能力。在实际操作中，标签编码器使用多层感知器（MLP）将标签编码成潜在嵌入，随后通过类似Transformer架构的注意力机制进行处理，形成高级的潜在表示。

技术细节

标签注意蒸馏方法

• 教师模型 使用标签注意编码器，将节点特征与标签信息结合，生成理想的嵌入表示。
• 学生模型 通过蒸馏学习，从教师模型中学习类友好的节点嵌入表示，以优化图分类任务。

方法流程

1. 标签注意教师训练：通过标签注意编码器，将节点特征与标签信息融合，生成理想的嵌入表示，并进行图分类训练。
2. 蒸馏学生学习：学生模型通过蒸馏学习，从教师模型的理想嵌入表示中学习，生成类友好的节点嵌入表示，以提升图分类性能。

算法伪代码

实验结果

论文通过在10个基准数据集上的实验验证了 LAD-GNN 的有效性。结果表明，与现有的最先进GNN方法相比，LAD-GNN 显著提高了图分类的准确性。例如，在 IMDB-BINARY 数据集上，LAD-GNN 使用 GraphSAGE 骨干网实现了高达16.8%的准确性提升。
MUTAG 教师训练

MUTAG 学生训练

这个结果比许多单独使用GNN训练的结果都更好

代码运行

环境配置

这里是所需要的相关python包

- python==3.9.13
- pytorch==1.12.1
- dgl==1.0.2+cu116
- ogb==1.3.5
- sklearn
- torch-cluster==1.6.0
- torch-scatter==2.0.9
- torch-sparse==0.6.15
- torch-geometric==2.1.0
- torchvision==0.13.1
1
2
3
4
5
6
7
8
9
10

数据集

在主目录下创建一个新的文件夹 /data，当您运行代码时，它将自动下载相应的数据集。

运行代码

运行模型很简单，只需要下面两行命令，第一个是先运行教师模型，数据集可以根据数据名称在–dataset MUTAG这里更改，然后还有seed，一般情况下需要使用10个不同的seed进行训练，然后取平均值，数据集不需要自己下载，会自己联网下载，运行过程中请不要使用科技，否则下载会失败。

1. 使用标签注意编码器运行教师模型：

   python main.py --dataset MUTAG --train_mode T --device 0 --seed 1 --nhid 64 --nlayers 2 --lr 0.01 --backbone GCN
   1

2. 老师模型训练完成之后使用该命令进行学生模型训练：

   python main.py --dataset MUTAG --train_mode S --device 0 --seed 1 --nhid 64 --nlayers 2 --lr 0.001 --backbone GCN
   1

代码目录

LAD-GNN/
│
├── Figures/             # 图片目录
│   ├── motivation_fig.jpg   # 动机示意图
│   ├── framework.jpg         # 整体框架图
│   ├── dataset.jpg           # 数据集示意图
│   └── result.jpg            # 结果示意图
│
├── GNN_models/          # 存放不同的图神经网络模型
│   ├── base_model.py
│   ├── gat.py             # 图注意力网络模型
│   ├── gcn.py             # 图卷积网络模型
│   ├── gin.py             # 图同构网络模型
│   ├── pna.py             # 物理网络嵌入模型
│   └── sage.py            # 子图聚合增强网络模型
│
├── checkpoints/          # 模型检查点目录
│   └── GCN/              # GCN模型的检查点
│
├── data/                 # 数据集目录
│   └── MUTAG/            # 包含MUTAG数据集的子目录
│       ├── MUTAG
│       ├── processed
│       └── raw
│
├── README.md             # 项目说明文件
├── main.py               # 主要的Python脚本，用于执行模型训练和测试
├── test.py               # 用于测试模型性能的脚本
├── requirements.txt      # 项目依赖文件
└── utils.py              # 包含一些辅助函数的脚本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30