Descripción
La Agregación Principal de Vecindario (PNA) es un enfoque novedoso para las Redes Neuronales de Grafos (GNNs) diseñado para mejorar su poder expresivo y escalabilidad. Este repositorio de GitHub, mantenido por lukecavabarrett, ofrece una implementación completa de PNA en tres frameworks populares de GNN: PyTorch, Deep Graph Library (DGL) y PyTorch Geometric.
Leer más
El objetivo principal de este proyecto es proporcionar a investigadores y desarrolladores una implementación robusta y accesible de PNA, permitiéndoles aprovechar sus capacidades avanzadas en sus tareas de aprendizaje automático basadas en grafos. El repositorio incluye no solo la capa PNA central, sino también componentes de soporte como agregadores, escaladores y un framework GNN flexible que puede adaptarse a varios tipos de convoluciones de grafos.
Más allá de la implementación central, el repositorio está equipado con herramientas prácticas para evaluar el rendimiento de las GNNs. Incluye scripts para generar y ejecutar benchmarks multitarefa, lo que permite una comparación sistemática de diferentes modelos GNN bajo diversas tareas. Además, proporciona scripts para ejecutar benchmarks del mundo real, facilitando la evaluación de la efectividad de PNA en conjuntos de datos prácticos. También se incluyen implementaciones de otros modelos GNN comparativos como GCN, GAT, GIN y MPNN, ofreciendo un recurso valioso para la evaluación comparativa y la comprensión de las fortalezas relativas de PNA.
La estructura del repositorio está organizada para facilitar su uso y modularidad. El directorio `pytorch` contiene implementaciones específicas de PyTorch, incluida la capa PNA y un framework GNN general. Los directorios `dgl` y `pytorch_geometric` albergan las implementaciones de PNA para sus respectivas bibliotecas. Además, los directorios `multi_task` y `real_world` ofrecen instrucciones detalladas y scripts para ejecutar benchmarks, con archivos README completos que guían a los usuarios a través de los procesos de configuración y entrenamiento. Esto convierte al repositorio en un activo valioso para cualquier persona que trabaje con redes neuronales de grafos, especialmente aquellos interesados en técnicas de agregación avanzadas.
- CategoríaPlataformas de aprendizaje automático
- Modelo de preciosCódigo abierto
- ImplementaciónNube, Autoalojado
- PlataformasWeb
Características principales de Agregación Principal de Vecindario
Implementación de Agregación Principal de Vecindario (PNA)
Soporte para el framework PyTorch
Soporte para Deep Graph Library (DGL)
Soporte para el framework PyTorch Geometric
Scripts para benchmarks multitarefa
Scripts para benchmarks del mundo real
Framework GNN flexible en PyTorch
Implementaciones de modelos GNN comparativos (GCN, GAT, GIN, MPNN)
Incluye agregadores y escaladores
Implementación de la capa PNA
Código de código abierto disponible en GitHub
Primeros pasos con Agregación Principal de Vecindario
Acceder al modelo: Clonar el repositorio de GitHub o descargar el código.
Configurar el entorno: Instalar las dependencias requeridas (PyTorch, DGL, PyTorch Geometric, etc.).
Integrar a través del framework: Utilizar las implementaciones de PNA dentro de PyTorch, DGL o PyTorch Geometric.
Ejecutar benchmarks: Ejecutar los scripts proporcionados para evaluaciones multitarefa o del mundo real.
Adaptar el framework GNN: Modificar el framework GNN flexible de PyTorch para convoluciones de grafos personalizadas.
Entrenar modelos: Seguir las instrucciones en los archivos README para la optimización de hiperparámetros y el entrenamiento.
Casos de uso de Agregación Principal de Vecindario
- Investigación en Redes Neuronales de Grafos
- Benchmarking de Modelos GNN
- Descubrimiento de Fármacos
- Análisis de Redes Sociales
- Sistemas de Recomendación
- Predicción de Tráfico
- Detección de Fraude
