GEARSConvLayer

GEARS 边类型感知的图卷积层

实现 readme 第五节的「带边类型感知的消息传递」：

 h_i^(l+1) = σ( W_self · h_i^(l) + Σ_{j ∈ N_in(i)} α_ji · sign(r_ji) · (W_{r_ji} · h_j^(l)) )
 

要点：

• 调控图中 TF → Target 是有向边，扰动信号沿调控方向向下游传播，

因此聚合的是入边邻居（即调控该基因的上游基因）；

• 抑制边（EdgeRelationType.Repression）的消息符号为 -1，

使模型能够表达「上游下调导致下游上调」这样的反向效应；

• 默认使用稀疏入边聚合（复杂度 O(|E|·d)），因为先验调控网络非常稀疏

（350+ 基因仅约 350 条边），稠密邻接矩阵乘法会带来两个数量级的无用开销；

• 堆叠 L 层即可捕捉 L-hop 的间接调控效应；readme 建议 2~4 层以避免过平滑。

之所以不使用 GNN 模块自带的 GATLayer，是因为它的 Backward 直接抛出 InvalidOperationException，无法参与训练。