الوصف
التجميع الرئيسي للجوار (PNA) هو نهج جديد لشبكات الرسم البياني العصبية (GNNs) مصمم لتعزيز قوتها التعبيرية وقابليتها للتوسع. يقدم مستودع GitHub هذا، الذي يحتفظ به lukecavabarrett، تطبيقًا شاملاً لـ PNA عبر ثلاثة أطر عمل GNN شائعة: PyTorch و Deep Graph Library (DGL) و PyTorch Geometric.
قراءة المزيد
الهدف الأساسي لهذا المشروع هو تزويد الباحثين والمطورين بتطبيق قوي وسهل الوصول لـ PNA، مما يمكنهم من الاستفادة من قدراته المتقدمة في مهام التعلم الآلي المستندة إلى الرسم البياني. لا يتضمن المستودع طبقة PNA الأساسية فحسب، بل يشمل أيضًا مكونات داعمة مثل المجمعات والمقاييس، وإطار عمل GNN مرن يمكن تكييفه لأنواع مختلفة من التفافات الرسم البياني.
بالإضافة إلى التطبيق الأساسي، تم تجهيز المستودع بأدوات عملية لتقييم أداء GNN. يتميز بنصوص برمجية لإنشاء وتشغيل معايير المهام المتعددة، مما يسمح بالمقارنة المنهجية لنماذج GNN المختلفة تحت مهام متنوعة. بالإضافة إلى ذلك، فإنه يوفر نصوصًا برمجية لتنفيذ المعايير الواقعية، مما يسهل تقييم فعالية PNA على مجموعات البيانات العملية. يتم أيضًا تضمين تطبيقات لنماذج GNN مقارنة أخرى مثل GCN و GAT و GIN و MPNN، مما يوفر موردًا قيمًا للمقارنة وفهم نقاط القوة النسبية لـ PNA.
تم تنظيم بنية المستودع لتسهيل الاستخدام والنمطية. يحتوي الدليل `pytorch` على تطبيقات خاصة بـ PyTorch، بما في ذلك طبقة PNA وإطار عمل GNN عام. تحتوي الدلائل `dgl` و `pytorch_geometric` على تطبيقات PNA لمكتباتها الخاصة. علاوة على ذلك، توفر الدلائل `multi_task` و `real_world` تعليمات مفصلة ونصوصًا برمجية لتشغيل المعايير، مع ملفات README شاملة توجه المستخدمين خلال عمليات الإعداد والتدريب. هذا يجعل المستودع أصلًا قيمًا لأي شخص يعمل مع شبكات الرسم البياني العصبية، وخاصة المهتمين بتقنيات التجميع المتقدمة.
- الفئةمنصّات تعلّم الآلة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ التجميع الرئيسي للجوار (Principal Neighbourhood Aggregation)
تطبيق التجميع الرئيسي للجوار (PNA)
دعم إطار عمل PyTorch
دعم مكتبة الرسم البياني العميق (DGL)
دعم إطار عمل PyTorch Geometric
نصوص برمجية لمعايير المهام المتعددة
نصوص برمجية لمعايير العالم الحقيقي
إطار عمل GNN مرن لـ PyTorch
تطبيقات نماذج GNN مقارنة (GCN, GAT, GIN, MPNN)
يشمل المجمعات والمقاييس
تطبيق طبقة PNA
كود مفتوح المصدر متاح على GitHub
البدء مع التجميع الرئيسي للجوار (Principal Neighbourhood Aggregation)
الوصول إلى النموذج: استنساخ مستودع GitHub أو تنزيل الكود.
إعداد البيئة: تثبيت التبعيات المطلوبة (PyTorch, DGL, PyTorch Geometric, إلخ).
التكامل عبر الإطار: استخدام تطبيقات PNA ضمن PyTorch أو DGL أو PyTorch Geometric.
تشغيل المعايير: تنفيذ النصوص البرمجية المقدمة لتقييمات المهام المتعددة أو الواقعية.
تكييف إطار عمل GNN: تعديل إطار عمل GNN المرن لـ PyTorch لتفاصيل الرسم البياني المخصصة.
تدريب النماذج: اتباع التعليمات في ملفات README لضبط المعلمات الفائقة والتدريب.
حالات استخدام التجميع الرئيسي للجوار (Principal Neighbourhood Aggregation)
- بحث شبكات الرسم البياني العصبية
- مقارنة نماذج GNN
- اكتشاف الأدوية
- تحليل الشبكات الاجتماعية
- أنظمة التوصية
- التنبؤ بحركة المرور
- كشف الاحتيال
