基于PyTorch Geometric的时序图批处理及模型适配问题咨询

我正在使用PyTorch-Geometric开展时序图数据相关研究，将PyG数据转换为密集格式（通过to_dense_batch()和to_dense_adj()方法）时，遇到了内存占用过高的问题。

我尝试了三种批处理方案，但分别陷入以下困境：

• 方案1：每个批次包含多条边（例如每批400条边）→ 内存占用过高
• 方案2：每个批次包含多个快照（每个时间戳对应一个快照）→ 张量尺寸不一致
• 方案3：每个批次包含多个图序列（例如每个序列包含5个快照）→ 快照过于稀疏

疑问 #

1. 是否可以将节点数量不同的快照批次视为序列？若可以，如何将其输入LSTM或Transformer架构？
2. 是否可以对多组图序列进行批处理（例如一批4个序列，每个序列含5个快照），并将其密集节点/边嵌入输入LSTM或Transformer类神经网络模型？还是建议使用稀疏矩阵？
3. 如何分割包含['source', 'target', 'interaction_type', 'timestamp']列的CSV数据，以满足：①快照密度足够高（例如超过0.5）；②每个快照的节点数量保持一致？

内容的提问来源于stack exchange，提问作者Vincent Tsai