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).
Lire la suite
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.
- CatégorieModèles d'IA et LLM
- Modèle tarifaireOpen source
- DéploiementAuto-hébergé
- PlateformesLinux, macOS, Windows
Fonctionnalités principales 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
Installer les dépendances : Exécutez 'python setup.py install' après vous être assuré des versions compatibles de Keras et Theano.
Configurer le backend Keras : Créez '~/.keras/keras.json' pour définir 'backend' sur 'theano'.
Préparer l'ensemble de données : Exécutez 'python prepare_dataset.py -d <nom_dataset>' pour des ensembles de données spécifiques (par exemple, aifb, mutag).
Forcer l'exécution CPU : Utilisez 'CUDA_VISIBLE_DEVICES=' avant la commande d'entraînement.
Entraîner le modèle : Exécutez 'python train.py -d <nom_dataset> --bases <nombre> --hidden <nombre> --l2norm <valeur> --testing'.
Reproduire les résultats de l'article : Suivez les instructions spécifiques aux ensembles de données pour AIFB, MUTAG, BGS et AM.
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
