计图比赛热身赛解决方案（节点分类）

基于 JittorGeometric 的节点分类热身赛解决方案，使用 GRAND + GCNII 集成方法在 Cora 数据集上进行节点分类。

---

1. 环境安装

Python 版本：3.8+

# 安装 Jittor
pip install jittor

# 安装依赖
pip install -r requirements.txt

若需从源码安装 JittorGeometric：

pip install -e .

---

2. 数据准备

将 cora.pkl 放置于 data/ 目录：

data/
    cora.pkl

cora.pkl 字段说明：

字段	类型	说明
x	numpy (2708, 1433)	节点特征矩阵
y	numpy (2708,)	节点标签（测试集为 -1）
edge_index	numpy (2, E)	边列表
train_mask	bool (2708,)	训练集掩码
val_mask	bool (2708,)	验证集掩码
test_mask	bool (2708,)	测试集掩码
num_classes	int	类别数（7）
num_features	int	特征维度（1433）

---

3. 训练

bash scripts/run_grand.sh

# 或直接调用
python src/train_grand.py --data_dir ./data --output_dir ./outputs --num_seeds 20

输出文件保存至 outputs/ 目录。

---

4. 推理 / 结果文件

训练完成后自动推理并保存结果：

输出路径	格式
outputs/result.json	{"node_idx": class_label, ...}
outputs/result_single_best.json	最优单模型结果
outputs/result_ens_top{k}.json	Top-k 集成结果（k=5,10,15,20）

---

5. 结果说明

• 评测指标：准确率（Accuracy）
• 最佳单模型：GRAND hid=32, K=8, dropnode=0.5, S=4, λ=1.5，验证集准确率 ≈ 0.846
• 集成测试准确率：0.858（贪心前向选择集成，20 个随机种子）

方法说明：

• GRAND：DropNode 随机增强 + 混合阶图扩散 + 一致性正则化 + MLP 分类器
• GCNII：深层残差图卷积网络，提供集成多样性
• 集成：多配置、多随机种子训练，贪心前向选择最优子集

注：实际线上提交结果与本地验证集准确率可能存在小幅差异。

---

引用

• GRAND: Feng et al., 2021
• GCNII: Chen et al., 2020
• JittorGeometric: AlgRUC/JittorGeometric