python中稀疏数组/张量的有效多项式采样

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))

我想对n_samples列索引进行采样，可以替换，也可以不替换。我可以通过首先将adj_t转换为dense，然后使用torch.multinomial或者类似地使用numpy.random.choice来实现这一点

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

但是将稀疏数组转换为稠密数组和torch.multinomial 并不是很有效。有稀疏版本的torch.multinomial。如果没有，如何着手实施

Answer 1

我不确定这是否能像你的一艘班轮那样有效地完成

据我所知，实现您的目标的一种方法是：

1. 按其在sparese张量中出现的行对值进行分组，例如使用this solution:np.split(value.numpy(), np.unique(row.numpy(), return_index=True)[1][1:])
2. 使用numpy.random.multinominal为每行创建随机选择的索引列表
3. 将索引映射到col中的相应值（即第0行的0是1，1是第1行的2，第2行的2是4-所有这些都是根据row和col值确定的）

您可能不想使用任何内置循环来避免性能下降