Module differentiable 

可微图结构变换模块

本模块实现了图结构变换操作的梯度计算，支持：

• 可微边编辑（添加/删除/修改边权重）
• 可微节点编辑（添加/删除节点）
• Straight-Through Estimator (STE) 用于离散操作
• Gumbel-Softmax 松弛用于可微采样
• 图结构优化的梯度传播

核心概念

连续松弛表示

传统图结构是离散的：边要么存在 (1) 要么不存在 (0)。 为了支持梯度计算，我们使用连续松弛：

A_soft = σ(A_logits / τ)

其中：
- A_logits: 边的对数几率（可学习参数）
- τ: 温度参数（控制离散程度）
- σ: sigmoid 函数

Straight-Through Estimator (STE)

对于需要离散输出的场景，使用 STE：

• 前向传播：硬阈值（0/1）
• 反向传播：软梯度（通过 sigmoid）

A_hard = (A_soft > 0.5).to_f64()
gradient = A_hard - A_soft.detach() + A_soft

示例

use god_gragh::graph::Graph;
use god_gragh::tensor::differentiable::{
    DifferentiableGraph, EdgeEditPolicy, GradientConfig
};

// 创建可微图
let mut diff_graph = DifferentiableGraph::new(4);

// 添加可学习边
diff_graph.add_learnable_edge(0, 1, 0.5);
diff_graph.add_learnable_edge(1, 2, 0.8);

// 计算损失对边权重的梯度
let loss = compute_loss(&diff_graph);
let gradients = diff_graph.compute_structure_gradients(loss);

// 基于梯度更新结构
diff_graph.update_structure(&gradients, learning_rate=0.01);

Structs

DifferentiableEdge

可微边：包含可学习的存在概率

DifferentiableGraph

可微图结构：支持梯度计算的结构变换

DifferentiableNode

可微节点：包含可学习的存在概率和特征

GradientConfig

图结构变换的梯度配置

GradientRecorder

结构梯度记录器：记录所有结构变换的梯度

GraphTransformer

图结构变换器：执行具体的结构编辑操作

GumbelSoftmaxSampler

Gumbel-Softmax 采样器：用于可微离散采样

StructureEdit

结构编辑操作（带梯度信息）

ThresholdEditPolicy

基于阈值的编辑策略

Enums

EdgeEditOp

边编辑操作类型

EditOperation

编辑操作枚举

NodeEditOp

节点编辑操作类型

Traits

EdgeEditPolicy

边编辑策略：定义如何基于梯度编辑边