Modèles PPNP & APPNP

Description

Ce dépôt héberge les implémentations officielles des modèles PPNP (Predict then Propagate) et APPNP (Approximate Personalized PageRank), tels que décrits dans l'article ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" par Gasteiger, Bojchevski et Günnemann. Le projet propose des versions TensorFlow et PyTorch de ces modèles avancés de réseaux neuronaux sur graphes.

L'objectif principal de ce dépôt est de fournir aux chercheurs et aux développeurs un code accessible pour exploiter ces modèles dans des tâches impliquant des données structurées en graphes. Les implémentations sont conçues pour être simples à utiliser, avec des exemples clairs et des instructions pour reproduire les résultats présentés dans l'article original. Cela facilite la recherche et l'application des concepts de Personalized PageRank dans le cadre des GNN.

Les capacités clés incluent la possibilité d'effectuer la classification de graphes et d'autres prédictions au niveau des nœuds ou des graphes en combinant efficacement les mécanismes de propagation avec des modèles prédictifs. Les modèles sont particulièrement adaptés aux scénarios où la compréhension de l'importance et de l'influence des nœuds au sein d'un réseau est cruciale. Le dépôt comprend également des utilitaires pour la gestion des données, tels que la conversion de graphes NetworkX au format SparseGraph du projet, permettant l'utilisation de jeux de données personnalisés.

Le public cible de ce dépôt comprend les chercheurs en apprentissage automatique, les scientifiques des données et les ingénieurs travaillant avec des réseaux neuronaux sur graphes, l'analyse de réseaux et des domaines connexes. Les développeurs cherchant à implémenter ou à expérimenter des architectures GNN de pointe pour des tâches telles que la prédiction de liens, la classification de nœuds ou les systèmes de recommandation trouveront cette ressource précieuse.

La proposition de valeur réside dans la fourniture d'une implémentation open-source bien documentée de puissants modèles de réseaux neuronaux sur graphes qui comblent le fossé entre les algorithmes de graphes traditionnels comme Personalized PageRank et les techniques modernes d'apprentissage profond. La disponibilité des versions TensorFlow et PyTorch améliore la flexibilité et l'adoption dans différents environnements de développement.

Points forts de Modèles PPNP & APPNP

• Implémentation TensorFlow des modèles PPNP et APPNP

• Implémentation PyTorch des modèles PPNP et APPNP

• Code pour reproduire les résultats de l'article ICLR 2019

• Notebooks d'exemples pour une intégration facile (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)

• Utilitaires pour convertir les graphes NetworkX au format SparseGraph

• Inclut des jeux de données tels que Cora-ML, Citeseer et PubMed

• Prend en charge les tâches d'apprentissage automatique basées sur des graphes

• Basé sur l'article "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"

• Code open-source disponible sur GitHub

Premiers pas avec Modèles PPNP & APPNP

1. 1

   Accéder au modèle : Clonez le dépôt GitHub sur votre machine locale.

2. 2

   Configurer l'environnement : Installez les paquets requis en utilisant `pip install -r requirements.txt`.

3. 3

   Intégrer via API : Importez et utilisez les classes de modèles PPNP ou APPNP dans vos scripts Python.

4. 4

   Exécuter les exemples : Lancez les notebooks Jupyter fournis (`simple_example_pytorch.ipynb` ou `simple_example_tensorflow.ipynb`) pour voir les modèles en action.

5. 5

   Reproduire les résultats : Utilisez `reproduce_results.ipynb` pour reproduire les résultats expérimentaux de l'article.

6. 6

   Gestion des données : Utilisez `networkx_to_sparsegraph` pour l'intégration de jeux de données personnalisés.

Cas d'utilisation de Modèles PPNP & APPNP

• Classification de Graphes
• Classification de Nœuds
• Prédiction de Liens
• Systèmes de Recommandation
• Analyse de Réseaux
• Apprentissage sur Graphes Attribués

FAQ de Modèles PPNP & APPNP

• Que sont les modèles PPNP et APPNP ?

  PPNP et APPNP sont des modèles de réseaux neuronaux sur graphes qui combinent des mécanismes de propagation avec des concepts de Personalized PageRank, tels que décrits dans l'article ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank."

• Quels langages de programmation et frameworks sont pris en charge ?

  Le dépôt fournit des implémentations en TensorFlow (versions >=1.6, <2.0) et en PyTorch (versions >=1.5).

• Comment puis-je commencer avec les modèles PPNP/APPNP ?

  La manière la plus simple de commencer est d'explorer les notebooks `simple_example_pytorch.ipynb` ou `simple_example_tensorflow.ipynb` fournis dans le dépôt.

• Puis-je reproduire les résultats de l'article ?

  Oui, le notebook `reproduce_results.ipynb` est inclus pour démontrer comment reproduire les résultats présentés dans l'article original.

• Quelles sont les dépendances de ce dépôt ?

  Les dépendances clés incluent numpy, scipy, TensorFlow (>=1.6,<2.0) et PyTorch (>=1.5). NetworkX est nécessaire pour certaines méthodes de conversion de données.

• Comment installer les paquets requis ?

  Vous pouvez installer toutes les exigences en exécutant `pip install -r requirements.txt` dans votre environnement.

• Puis-je utiliser mes propres jeux de données avec ces modèles ?

  Oui, vous pouvez utiliser des jeux de données personnalisés. La méthode `networkx_to_sparsegraph` dans `ppnp.data.io` peut aider à convertir les graphes NetworkX au format SparseGraph requis.

• Quels jeux de données sont inclus dans le dépôt ?

  Le dépôt inclut plusieurs jeux de données dans le dossier `data`, tels que Cora-ML, Citeseer et PubMed, ainsi que des références à leurs sources originales.

• Qui sont les auteurs des modèles PPNP et APPNP ?

  Les modèles ont été proposés par Johannes Gasteiger (anciennement Johannes Klicpera), Aleksandar Bojchevski et Stephan Günnemann.

• Où l'article a-t-il été publié ?

  L'article "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" a été publié à l'ICLR 2019 (International Conference on Learning Representations).

• Quelle est la licence de ce code ?

  Le code est publié sous la licence MIT.

• Comment puis-je citer ce travail ?

  Vous pouvez citer l'article en utilisant l'entrée BibTeX fournie : @inproceedings{gasteiger_predict_2019, title = {Predict then Propagate: Graph Neural Networks meet Personalized PageRank}, author = {Gasteiger, Johannes and Bojchevski, Aleksandar and G{"u}nnemann, Stephan}, booktitle={International Conference on Learning Representations (ICLR)}, year = {2019} }