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.
Lire la suite
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.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales 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
Accéder au modèle : Clonez le dépôt GitHub sur votre machine locale.
Configurer l'environnement : Installez les paquets requis en utilisant `pip install -r requirements.txt`.
Intégrer via API : Importez et utilisez les classes de modèles PPNP ou APPNP dans vos scripts Python.
Exécuter les exemples : Lancez les notebooks Jupyter fournis (`simple_example_pytorch.ipynb` ou `simple_example_tensorflow.ipynb`) pour voir les modèles en action.
Reproduire les résultats : Utilisez `reproduce_results.ipynb` pour reproduire les résultats expérimentaux de l'article.
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
