Dual-Channel Graph Link Prediction (Low-pass / High-pass + Adaptive MoE)

该项目实现了用于图结构数据链路预测的双通道编码器：

• 低通道（low-pass）：捕捉同配（homophily）平滑信号；
• 高通道（high-pass）：捕捉异配（heterophily）差异信号；
• 自适应 MoE 解码器：针对每条候选边动态选择 low/high/mix 专家并加权融合。

支持数据集：

• Heterophilic: texas, cornell, wisconsin, chameleon, squirrel
• Homophilic: cora, citeseer, pubmed

运行

pip install -r requirements.txt
python train_dual_channel_lp.py --decoder moe

对比普通解码器：

python train_dual_channel_lp.py --decoder dot
python train_dual_channel_lp.py --decoder mlp

日志输出

训练完成后会自动保存本地日志到 logs/：

• dual_channel_lp_*.jsonl：逐次运行结果（按 seed 与 dataset）
• dual_channel_lp_*_summary.csv：按数据集聚合的均值与标准差

可用 --log-dir 修改日志目录。

实验脚本

已补充基线对比与参数敏感性分析脚本：

• experiments/run_baseline_compare.sh：固定默认训练设置，对比 dot/mlp/moe 三种解码器。
• experiments/run_sensitivity_analysis.sh：固定 decoder=moe，分别扫描：
  • dropout: 0.2 / 0.5 / 0.8
  • lr: 0.005 / 0.01 / 0.02
  • out-dim: 32 / 64 / 128

运行示例：

bash experiments/run_baseline_compare.sh
bash experiments/run_sensitivity_analysis.sh

可选地传入日志根目录参数：

bash experiments/run_baseline_compare.sh logs/my_baseline
bash experiments/run_sensitivity_analysis.sh logs/my_sensitivity