感谢主办方举办这次引人入胜的比赛，也祝贺获奖者们！通过这次比赛，我真的学到了很多。

Tile部分：

我在Tile部分的方法与官方代码非常相似。我也查看了公开的tile代码，发现验证分数已经相当高了，将它们集成起来并没有带来显著的提升，所以我没有在这一部分投入太多时间。

Layout部分：

对于Layout部分，我主要参考了gst代码（https://github.com/kaidic/GST）。然而，由于GPU内存限制，我在使其高效运行方面遇到了一些挑战。最终，我采用了一种采样方法来减少GPU的使用。

采样方法：

原始数据消耗了太多内存，所以我决定每个样本只采样500或1000个配置。这显著减少了训练时间和GPU内存需求。

训练策略：

• 训练所有数据
• 根据边和节点的形状分别训练。虽然测试数据没有明确指定模型类型，但我们可以根据边和节点的形状推断出来
• 使用不同类型的参数，例如图卷积类型、学习率、批大小、层数和隐藏层大小

集成：

将这些模型集成起来被证明是有效的，能够改善结果。每次我训练一个新模型时，都发现将其与现有模型集成有助于提高分数。

关于公开分数：

我确实在帖子中注意到了提到的事实，但无法完全理解它为何有效。由于我认为风险很大，在私人阶段我非常谨慎地使用它。