Réseaux de Neurones Convolutifs Relationnels

Description

Le dépôt tkipf/relational-gcn propose une implémentation basée sur Keras des Réseaux de Neurones Convolutifs Relationnels (R-GCNs). Cet outil est spécifiquement conçu pour les tâches de classification semi-supervisée de nœuds sur des graphes relationnels dirigés. Il sert de ressource précieuse pour les chercheurs et les praticiens souhaitant reproduire ou s'appuyer sur les découvertes présentées dans l'article "Modeling Relational Data with Graph Convolutional Networks" (2017).

L'implémentation se concentre sur l'aspect classification d'entités de la modélisation de données relationnelles. Les utilisateurs peuvent exploiter ce code pour expérimenter avec les R-GCNs sur divers ensembles de données, notamment AIFB, MUTAG, BGS et AM, comme détaillé dans les instructions d'utilisation. Le projet souligne l'importance des versions spécifiques des dépendances, recommandant Keras 1.2.1 et Theano 0.9.0, car les versions plus récentes de Keras pourraient perturber l'API des matrices creuses de Theano. Bien que TensorFlow puisse être utilisé comme backend, les utilisateurs doivent être conscients des limitations potentielles concernant la taille des matrices creuses.

Pour garantir la reproduction exacte des résultats expérimentaux, le dépôt fournit des instructions claires pour la préparation des ensembles de données et l'entraînement des modèles. Il inclut également des conseils pour configurer le backend Keras sur Theano et forcer l'exécution sur CPU, ce qui est recommandé en raison des limitations potentielles de mémoire GPU pour certaines expériences. Le projet est sous licence MIT, favorisant l'accès ouvert et la modification. L'article associé, cité comme [1], offre une compréhension théorique plus approfondie du modèle R-GCN et de ses applications dans la modélisation de données relationnelles.

Cette implémentation est particulièrement utile pour ceux qui travaillent avec des données structurées en graphes où les relations entre les entités sont cruciales. Elle permet l'application de techniques avancées d'apprentissage profond pour comprendre et classifier les nœuds au sein de réseaux relationnels complexes. Le code est publiquement disponible sur GitHub, favorisant la collaboration et le développement futur au sein de la communauté des réseaux de neurones sur graphes.

Points forts de Réseaux de Neurones Convolutifs Relationnels

• Implémentation basée sur Keras

• Réseaux de Neurones Convolutifs Relationnels (R-GCNs)

• Classification semi-supervisée de nœuds

• Prend en charge les graphes relationnels dirigés

• Code pour la reproduction de la classification d'entités

• Scripts de préparation de données inclus

• Scripts d'entraînement de modèles fournis

• Conseils de gestion des dépendances

• Option de forçage de l'exécution CPU

• Licence MIT

Premiers pas avec Réseaux de Neurones Convolutifs Relationnels

1. 1

   Installer les dépendances : Exécutez 'python setup.py install' après vous être assuré des versions compatibles de Keras et Theano.

2. 2

   Configurer le backend Keras : Créez '~/.keras/keras.json' pour définir 'backend' sur 'theano'.

3. 3

   Préparer l'ensemble de données : Exécutez 'python prepare_dataset.py -d <nom_dataset>' pour des ensembles de données spécifiques (par exemple, aifb, mutag).

4. 4

   Forcer l'exécution CPU : Utilisez 'CUDA_VISIBLE_DEVICES=' avant la commande d'entraînement.

5. 5

   Entraîner le modèle : Exécutez 'python train.py -d <nom_dataset> --bases <nombre> --hidden <nombre> --l2norm <valeur> --testing'.

6. 6

   Reproduire les résultats de l'article : Suivez les instructions spécifiques aux ensembles de données pour AIFB, MUTAG, BGS et AM.

7. 7

   Adapter pour de nouvelles tâches : Modifiez les scripts pour des ensembles de données personnalisés ou des variations de tâches sur graphes relationnels.

Cas d'utilisation de Réseaux de Neurones Convolutifs Relationnels

• Classification de Nœuds
• Classification d'Entités
• Modélisation de Données Relationnelles
• Recherche sur les Réseaux de Neurones sur Graphes
• Apprentissage Automatique Basé sur les Graphes

FAQ de Réseaux de Neurones Convolutifs Relationnels

• Quel est le but principal de l'implémentation des Réseaux de Neurones Convolutifs Relationnels ?

  Le but principal est de fournir une implémentation basée sur Keras pour la classification semi-supervisée de nœuds sur des graphes relationnels dirigés, permettant la reproduction des résultats de classification d'entités d'un article de recherche.

• Quelles sont les dépendances recommandées pour cette implémentation R-GCN ?

  L'implémentation a été testée avec Keras 1.2.1 et Theano 0.9.0. Les versions plus récentes de Keras ne sont pas prises en charge car elles pourraient casser l'API des matrices creuses de Theano.

• Puis-je utiliser TensorFlow comme backend pour cette implémentation R-GCN ?

  Oui, il est possible d'utiliser le backend TensorFlow de Keras. Cependant, Keras 1.2.1 utilise l'API TensorFlow 0.11, et l'utilisation de TensorFlow peut limiter la taille maximale autorisée d'une matrice creuse.

• Comment préparer un ensemble de données pour l'utiliser avec cette implémentation R-GCN ?

  Vous pouvez préparer les ensembles de données en exécutant le script 'python prepare_dataset.py -d <nom_dataset>', en spécifiant l'ensemble de données que vous souhaitez utiliser (par exemple, 'aifb', 'mutag').

• Comment puis-je m'assurer que le modèle s'exécute sur le CPU ?

  Vous pouvez forcer l'exécution sur CPU en masquant toutes les ressources GPU en ajoutant 'CUDA_VISIBLE_DEVICES=' avant votre commande d'entraînement.

• Quel type de graphes cette implémentation R-GCN prend-elle en charge ?

  Cette implémentation est conçue pour les graphes relationnels dirigés, se concentrant sur des tâches telles que la classification semi-supervisée de nœuds.

• Le code pour la tâche de prédiction de liens est-il inclus dans ce dépôt ?

  Non, le code pour la tâche de prédiction de liens du même article se trouve dans un dépôt séparé : https://github.com/MichSchli/RelationPrediction.

• Sous quelle licence cette implémentation R-GCN est-elle distribuée ?

  Cette implémentation est distribuée sous la licence MIT.

• Quels sont les ensembles de données clés mentionnés pour reproduire les expériences ?

  Les ensembles de données clés mentionnés pour reproduire les expériences sont AIFB, MUTAG, BGS et AM.

• L'exécution initiale d'un graphe de calcul prend-elle du temps ?

  Oui, Theano effectue une étape de compilation coûteuse lors de la première exécution d'un graphe de calcul, ce qui peut prendre plusieurs minutes.