Description
L'Agrégation Principale de Voisinage (PNA) est une approche novatrice pour les Réseaux de Neurones Graphiques (GNN) conçue pour améliorer leur puissance expressive et leur scalabilité. Ce dépôt GitHub, maintenu par lukecavabarrett, offre une implémentation complète de PNA à travers trois frameworks GNN populaires : PyTorch, Deep Graph Library (DGL) et PyTorch Geometric.
Lire la suite
L'objectif principal de ce projet est de fournir aux chercheurs et aux développeurs une implémentation robuste et accessible de PNA, leur permettant de tirer parti de ses capacités avancées dans leurs tâches d'apprentissage automatique basées sur les graphes. Le dépôt comprend non seulement la couche PNA principale, mais aussi des composants de support tels que des agrégateurs, des scalers et un framework GNN flexible qui peut être adapté à divers types de convolutions de graphes.
Au-delà de l'implémentation principale, le dépôt est équipé d'outils pratiques pour évaluer les performances des GNN. Il propose des scripts pour générer et exécuter des benchmarks multitâches, permettant une comparaison systématique de différents modèles GNN sous diverses tâches. De plus, il fournit des scripts pour exécuter des benchmarks réels, facilitant l'évaluation de l'efficacité de PNA sur des ensembles de données pratiques. Des implémentations d'autres modèles GNN comparatifs tels que GCN, GAT, GIN et MPNN sont également incluses, offrant une ressource précieuse pour l'évaluation comparative et la compréhension des forces relatives de PNA.
La structure du dépôt est organisée pour faciliter l'utilisation et la modularité. Le répertoire `pytorch` contient les implémentations spécifiques à PyTorch, y compris la couche PNA et un framework GNN général. Les répertoires `dgl` et `pytorch_geometric` hébergent les implémentations PNA pour leurs bibliothèques respectives. De plus, les répertoires `multi_task` et `real_world` offrent des instructions détaillées et des scripts pour exécuter des benchmarks, avec des fichiers README complets guidant les utilisateurs à travers les processus de configuration et d'entraînement. Cela fait du dépôt un atout précieux pour quiconque travaille avec des réseaux de neurones graphiques, en particulier ceux intéressés par les techniques d'agrégation avancées.
- CatégoriePlateformes de machine learning
- Modèle tarifaireOpen source
- DéploiementCloud, Auto-hébergé
- PlateformesWeb
Fonctionnalités principales de Agrégation Principale de Voisinage
Implémentation de l'Agrégation Principale de Voisinage (PNA)
Support du framework PyTorch
Support de la Deep Graph Library (DGL)
Support du framework PyTorch Geometric
Scripts pour benchmarks multitâches
Scripts pour benchmarks réels
Framework GNN PyTorch flexible
Implémentations de modèles GNN comparatifs (GCN, GAT, GIN, MPNN)
Inclut des agrégateurs et des scalers
Implémentation de la couche PNA
Code open-source disponible sur GitHub
Premiers pas avec Agrégation Principale de Voisinage
Accéder au modèle : Cloner le dépôt GitHub ou télécharger le code.
Configurer l'environnement : Installer les dépendances requises (PyTorch, DGL, PyTorch Geometric, etc.).
Intégrer via le framework : Utiliser les implémentations PNA dans PyTorch, DGL ou PyTorch Geometric.
Exécuter les benchmarks : Lancer les scripts fournis pour les évaluations multitâches ou réelles.
Adapter le framework GNN : Modifier le framework GNN PyTorch flexible pour des convolutions de graphes personnalisées.
Entraîner les modèles : Suivre les instructions dans les fichiers README pour le réglage des hyperparamètres et l'entraînement.
Cas d'utilisation de Agrégation Principale de Voisinage
- Recherche sur les Réseaux de Neurones Graphiques
- Évaluation Comparative de Modèles GNN
- Découverte de Médicaments
- Analyse de Réseaux Sociaux
- Systèmes de Recommandation
- Prédiction du Trafic
- Détection de Fraude
