gcn
gcn_out = self.gcn(A_hat, D_hat, X) 的公式实际上是图卷积网络（GCN）层的核心操作。具体来说，这一步的计算基于图卷积的基本公式：
H ( l + 1 ) = σ ( D ^ − 1 / 2 A ^ D ^ − 1 / 2 H ( l ) W ( l ) ) H^{(l+1)} = \sigma\left( \hat{D}^{-1/2} \hat{A} \hat{D}^{-1/2} H^{(l)} W^{(l)} \right) H(l+1)=σ(D^−1/2A^D^−1/2H(l)W(l))
在这个公式中：
- H ( l ) H^{(l)} H(l) 是第 l l l 层的节点特征矩阵， H ( 0 ) = X H^{(0)} = X H(0)=X 即输入的节点特征矩阵。
- A ^ \hat{A} A^ 是加入自环后的图的邻接矩阵。
- D ^ \hat{D} D^ 是 A ^ \hat{A} A^ 的度矩阵。
- W ( l ) W^{(l)} W(l) 是第 l l l 层的权重矩阵。
- σ \sigma σ 是激活函数（例如ReLU）。
GCN的公式推导
我们可以具体推导出计算步骤：
-
邻接矩阵和度矩阵：假设图的邻接矩阵为 A A A，我们首先加入自环得到 A ^ = A + I \hat{A} = A + I A^=A+I，其中 I I I 是单位矩阵。然后计算 A ^ \hat{A} A^ 的度矩阵 D ^ \hat{D} D^，其对角线元素为 D ^ i i = ∑ j A ^ i j \hat{D}_{ii} = \sum_j \hat{A}_{ij} D^ii=∑jA^ij。
-
归一化的邻接矩阵：接下来计算 D ^ − 1 / 2 A ^ D ^ − 1 / 2 \hat{D}^{-1/2} \hat{A} \hat{D}^{-1/2} D^−1/2A^D^−1/2，用于对邻接矩阵进行归一化，使得卷积操作不会改变特征的尺度。
-
图卷积操作：最后，将归一化后的邻接矩阵与输入特征矩阵相乘，再与权重矩阵 W W W 相乘，并通过激活函数 σ \sigma σ 得到输出特征矩阵 H ( l + 1 ) H^{(l+1)} H(l+1)。
tcn
在Temporal Convolutional Network（TCN）中，关键操作包括卷积操作、激活函数、丢弃和跳跃连接。以下是TCN中TemporalBlock的推理公式：
- 卷积操作：使用扩展卷积对输入进行时间卷积。
y ( 1 ) = ReLU ( Dropout ( Chomp ( Conv1d ( x , W 1 ) ) ) ) y^{(1)} = \text{ReLU}(\text{Dropout}(\text{Chomp}(\text{Conv1d}(x, W_1)))) y(1)=ReLU(Dropout(Chomp(Conv1d(x,W1))))
- 第二次卷积操作：再次使用扩展卷积，并应用相同的操作。
y ( 2 ) = ReLU ( Dropout ( Chomp ( Conv1d ( y ( 1 ) , W 2 ) ) ) ) y^{(2)} = \text{ReLU}(\text{Dropout}(\text{Chomp}(\text{Conv1d}(y^{(1)}, W_2)))) y(2)=ReLU(Dropout(Chomp(Conv1d(y(1),W2))))
- 跳跃连接：如果输入和输出的维度不同，则使用 1 × 1 1 \times 1 1×1 卷积对输入进行下采样。
res = { x , if n inputs = n outputs Conv1d ( x , W downsample ) , otherwise \text{res} = \begin{cases} x, & \text{if } n_{\text{inputs}} = n_{\text{outputs}} \\ \text{Conv1d}(x, W_{\text{downsample}}), & \text{otherwise} \end{cases} res={x,Conv1d(x,Wdownsample),if ninputs=noutputsotherwise
- 输出计算：将卷积操作后的输出与跳跃连接的结果相加，并通过ReLU激活函数。
output = ReLU ( y ( 2 ) + res ) \text{output} = \text{ReLU}(y^{(2)} + \text{res}) output=ReLU(y(2)+res)
总结起来，TemporalBlock的推理公式如下：
output = ReLU ( Conv1d ( ReLU ( Dropout ( Chomp ( Conv1d ( x , W 1 ) ) ) ) , W 2 ) + res ) \text{output} = \text{ReLU}(\text{Conv1d}(\text{ReLU}(\text{Dropout}(\text{Chomp}(\text{Conv1d}(x, W_1)))), W_2) + \text{res}) output=ReLU(Conv1d(ReLU(Dropout(Chomp(Conv1d(x,W1)))),W2)+res)
其中：
- Conv1d ( x , W ) \text{Conv1d}(x, W) Conv1d(x,W) 表示对输入 x x x 进行卷积操作，卷积核权重为 W W W。
- Chomp \text{Chomp} Chomp 用于去除卷积后多余的填充部分。
- Dropout \text{Dropout} Dropout 是丢弃层，用于防止过拟合。
- ReLU \text{ReLU} ReLU 是激活函数。
- res \text{res} res 是跳跃连接的结果。
transformer
在TransformerBlock中，关键操作包括多头自注意力机制、前馈神经网络层、层归一化和跳跃连接。以下是TransformerBlock的推理公式：
- 多头自注意力机制：
Attention ( Q , K , V ) = softmax ( Q K T d k ) V \text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right) V Attention(Q,K,V)=softmax(dkQKT)V
其中， Q = K = V = x Q = K = V = x Q=K=V=x， d k d_k dk 是键的维度。多头自注意力输出为：
attn_output = MultiHeadAttention ( x , x , x ) \text{attn\_output} = \text{MultiHeadAttention}(x, x, x) attn_output=MultiHeadAttention(x,x,x)
- 第一跳跃连接和层归一化：
x 1 = LayerNorm ( x + Dropout ( attn_output ) ) x_1 = \text{LayerNorm}(x + \text{Dropout}(\text{attn\_output})) x1=LayerNorm(x+Dropout(attn_output))
- 前馈神经网络层：
ff_output = Linear 2 ( Dropout ( ReLU ( Linear 1 ( x 1 ) ) ) ) \text{ff\_output} = \text{Linear}_2(\text{Dropout}(\text{ReLU}(\text{Linear}_1(x_1)))) ff_output=Linear2(Dropout(ReLU(Linear1(x1))))
- 第二跳跃连接和层归一化：
output = LayerNorm ( x 1 + Dropout ( ff_output ) ) \text{output} = \text{LayerNorm}(x_1 + \text{Dropout}(\text{ff\_output})) output=LayerNorm(x1+Dropout(ff_output))
总结起来，TransformerBlock的推理公式如下：
- 多头自注意力机制：
attn_output = MultiHeadAttention ( x , x , x ) \text{attn\_output} = \text{MultiHeadAttention}(x, x, x) attn_output=MultiHeadAttention(x,x,x)
- 第一跳跃连接和层归一化：
x 1 = LayerNorm ( x + Dropout ( attn_output ) ) x_1 = \text{LayerNorm}(x + \text{Dropout}(\text{attn\_output})) x1=LayerNorm(x+Dropout(attn_output))
- 前馈神经网络层：
ff_output = Linear 2 ( Dropout ( ReLU ( Linear 1 ( x 1 ) ) ) ) \text{ff\_output} = \text{Linear}_2(\text{Dropout}(\text{ReLU}(\text{Linear}_1(x_1)))) ff_output=Linear2(Dropout(ReLU(Linear1(x1))))
- 第二跳跃连接和层归一化：
output = LayerNorm ( x 1 + Dropout ( ff_output ) ) \text{output} = \text{LayerNorm}(x_1 + \text{Dropout}(\text{ff\_output})) output=LayerNorm(x1+Dropout(ff_output))
)
