python中稀疏数组/张量的高效多项式采样

Question

我有一个稀疏数组/张量，如下所示。

import torch
from torch_sparse import SparseTensor


row = torch.tensor([0, 0, 0, 1, 1, 2, 2, 2, 2, 3, 3, 3, 3, 3])
col = torch.tensor([1, 2, 3, 0, 2, 0, 1, 4, 5, 0, 2, 5, 2, 4])
value = torch.rand([14])
adj_t = SparseTensor(row=row, col=col, value=value, sparse_sizes=(4, 9))

我想在替换或不替换的情况下采样n_samples列索引。我可以这样做，首先将adj_t转换为dense，然后使用torch.multinomial或类似的numpy.random.choice。

sample = torch.multinomial(adj_t.to_dense(), num_samples=2, replacement=True)

但是将稀疏数组转换为密集数组和torch.multinomial效率不是很高。有没有torch.multinomial的稀疏版本。如果不是，该如何实施呢？

Answer 1

我不确定这是否可以像你的一行程序一样高效地完成。

据我所知，实现你想要的一种方法是：

1. 按行对出现在空间张量中的值进行分组例如，使用this solution：numpy.random.multinominal为每行创建随机选择的索引列表
   1. 将索引映射到col中的相应值(即，第0行的0是1，D12是第1行是D13，第2行的D14是D15-全部根据D16和D17值)H218G219

为了不降低性能，您可能不希望使用任何内置循环。