第16名解决方案

感谢主办方的比赛邀请，祝贺所有获奖者！

我将简要分享我的解决方案。

总结

• 从可配置节点提取3跳子图
• 删除重复配置
• Listwise损失函数。实验中，Listwise损失比pairwise损失收敛更快且表现更好
• 3层SAGEConv，包含LayerNorm和残差连接。我通过将初始嵌入添加到每层输出来实现残差连接。代码如下：

def forward(self, batch):
    node_opcode = batch.node_opcode.long()

    opcode_embeds = self.opcode_embedding(node_opcode)

    x = torch.concat([batch.node_feat, opcode_embeds, batch.node_config_feat * self.node_config_weights], dim=1)
    x = self.lin1(x)
    x = self.norm1(x).relu()

    x_init = x
    for i in range(self.n_layers):
        x = self.convs[i](x, batch.edge_index)
        x = self.norms[i](x).relu()
        x = x_init + x

    x = torch.concat([global_mean_pool(x, batch.batch), global_max_pool(x, batch.batch)], dim=1)
    x = self.dropout(x)
    x = self.readout(x)

    return x

• 针对不同子类型分别训练模型

• 交叉验证分数（使用官方提供的训练/验证分割）

  • xla default: 0.37
  • xla random: 0.71
  • nlp default: 0.55
  • nlp random: 0.96
  • tile: 0.97

  基于这些交叉验证分数，我最终获得了公开榜0.684分和私有榜0.688分的成绩。