Beschreibung
Dieses GitHub-Repository, chennnM/GCNII, bietet eine PyTorch-Implementierung des Forschungsartikels "Simple and Deep Graph Convolutional Networks" (GCNII). Das Projekt zielt darauf ab, Forschern und Entwicklern eine leicht zugängliche und funktionale Codebasis zur Verfügung zu stellen, um mit GCNII zu experimentieren und darauf aufzubauen.
Weiterlesen
Die Implementierung unterstützt verschiedene Graph-Datensätze, darunter Benchmark-Sets wie Cora, Citeseer und Pubmed, sowie zusätzliche Datensätze wie Chameleon, Cornell, Texas und Wisconsin. Sie ermöglicht die Reproduktion von semi-überwachten und voll-überwachten Lernsettings, die die in verwandten Forschungsarbeiten wie GCN und Geom-GCN beschriebenen experimentellen Setups widerspiegeln. Das Repository enthält auch Skripte zur Ausführung dieser Experimente, was die Reproduktion berichteter Ergebnisse vereinfacht.
Zu den Kernkomponenten der Implementierung gehören die Kernmodellarchitektur, Dienstprogramme zur Datenladung und Vorverarbeitung sowie Trainingsskripte. Das Projekt listet seine Abhängigkeiten auf, wie CUDA, Python, PyTorch, NetworkX und scikit-learn, um sicherzustellen, dass Benutzer ihre Umgebung korrekt einrichten können. Darüber hinaus wird eine Referenzimplementierung im Ordner PyG (PyTorch Geometric) für diejenigen bereitgestellt, die eine Integration mit der PyTorch Geometric-Bibliothek bevorzugen oder benötigen, mit spezifischen Versionsanforderungen für torch-geometric und ogb.
Das Repository präsentiert auch eine Zusammenfassung der Testergebnisgenauigkeiten für verschiedene Datensätze und Einstellungen, die Benutzern als Benchmark für den Vergleich ihrer eigenen Implementierungen oder Erkenntnisse dienen. Die Nutzungshinweise sind klar und leiten die Benutzer durch die Ausführung der bereitgestellten Shell-Skripte für semi-überwachte, voll-überwachte und induktive PPI-Experimente. Dies macht das GCNII-Modell für die praktische Anwendung in graphenbasierten maschinellen Lernaufgaben zugänglich.
Das Projekt wird aktiv gepflegt, mit aktuellen Aktualisierungen der README-Datei. Es unterstreicht die kollaborative Natur der Open-Source-Entwicklung, wobei Beiträge und Forks auf das Engagement der Community hinweisen. Die primäre verwendete Sprache ist Python, mit einem geringen Anteil an Shell-Skripting für Dienstprogramme. Diese Ressource ist wertvoll für alle, die sich für fortgeschrittene Graph Neural Networks und deren Anwendungen interessieren.
- KategorieMachine-Learning-Plattformen
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenLinux, Windows
GCNII's Kernfunktionen
PyTorch-Implementierung des GCNII-Modells
Unterstützt semi-überwachtes Lernen
Unterstützt voll-überwachtes Lernen
Enthält Benchmark-Datensätze (Cora, Citeseer, Pubmed)
Enthält zusätzliche Datensätze (Chameleon, Cornell, Texas, Wisconsin)
Bietet Skripte zur Reproduktion von experimentellen Ergebnissen
Bietet eine PyTorch Geometric Referenzimplementierung
Details zu Abhängigkeiten für die Umgebungsinstallation
Zusammenfassung der Testergebnisgenauigkeiten
Enthält Nutzungshinweise für Experimente
Codebasis hauptsächlich in Python geschrieben
Erste Schritte mit GCNII
Umgebung einrichten: Installieren Sie CUDA, Python 3.6.9, PyTorch 1.3.1, NetworkX 2.1, scikit-learn.
Datensätze herunterladen: Legen Sie die Daten in die Ordner 'data' und 'newdata'.
Semi-überwachte Ergebnisse reproduzieren: Führen Sie `sh semi.sh` aus.
Voll-überwachte Ergebnisse reproduzieren: Führen Sie `sh full.sh` aus.
Induktive PPI-Ergebnisse reproduzieren: Führen Sie `sh ppi.sh` aus.
PyG-Implementierung integrieren: Stellen Sie sicher, dass torch-geometric >= 1.5.0 und ogb >= 1.2.0 installiert sind.
PyG-Beispiele ausführen: Führen Sie `python cora.py` oder `python arxiv.py` aus.
GCNII's Anwendungsfälle
- Forschung zu Graph Neural Networks
- Reproduktion von Forschungsergebnissen
- Graphenbasiertes maschinelles Lernen
- Modell-Benchmarking
- Lehrmittel
- Induktives Lernen auf Graphen
