PyTorch Geometric中edge_weight与edge_attr的区别及选择建议

1. 使用edge_weight存储标量边权的正确性 #

这种选择是完全正确的。你当前场景下的边属性是单维度标量权重，刚好匹配edge_weight的设计定位，同时PyG内置的绝大多数基础图卷积算子（比如GCNConv、SAGEConv等）原生支持直接传入edge_weight参与消息传递计算，不需要额外做特征提取处理，使用起来更便捷。

2. edge_weight和edge_attr的核心区别 #

• 设计定位不同
  • edge_weight是专门为标量边权设计的专属属性，通常是形状为[num_edges]的一维张量，仅用来存储边的连接权重、邻接矩阵非零值这类单维度权重值，作用是调整消息传递过程中不同边的消息贡献占比。
  • edge_attr是边特征的通用存储属性，支持存储任意维度的边相关特征，通常形状为[num_edges, edge_feature_dim]，比如边的类型编码、边的多维向量特征（如节点间距离、流量序列、边嵌入结果等）都可以存在这个属性中。
• 内置算子支持逻辑不同
  • 大部分基础GNN算子默认只会接收edge_weight作为边相关的输入参数，不会自动读取edge_attr的内容，如果要把标量权重存在edge_attr里，需要单独提取对应维度的张量再传入算子。
  • 只有专门适配边特征的算子（比如GINEConv、EdgeConv等）才会要求传入edge_attr作为参数参与计算。
• 选择原则：如果你的边属性是单维度标量、仅用于调整消息权重，优先用edge_weight；如果你的边属性是多维度特征、或者需要参与更复杂的特征运算，就用edge_attr。二者也可以同时使用，互不冲突，比如同时存储边的标量权重和多维边特征。

内容的提问来源于stack exchange，提问作者orangeman