Deskripsi
Repositori GitHub ini berfungsi sebagai basis kode resmi untuk makalah ICLR'2022 yang berjudul "How Attentive are Graph Attention Networks?". Repositori ini memungkinkan peneliti dan pengembang untuk mereproduksi hasil eksperimental yang disajikan dalam makalah, dengan fokus pada mekanisme perhatian dalam Jaringan Graph Attention (GAT), khususnya varian GATv2.
Baca Selengkapnya
Proyek ini disusun untuk memfasilitasi replikasi eksperimen di berbagai kerangka kerja deep learning. Subdirektori utama meliputi `arxiv_mag_products_collab_citation2_noise` untuk eksperimen prediksi node, prediksi tautan, dan ketahanan terhadap noise; `proteins` untuk hasil prediksi node ogbn-proteins; `dictionary_lookup` untuk benchmark DictionaryLookup; dan `tf-gnn-samples` untuk eksperimen dataset VarMisuse dan QM9. Desain modular ini memungkinkan pengguna untuk dengan mudah menavigasi dan memanfaatkan kode yang relevan dengan minat penelitian spesifik mereka.
Model GATv2, komponen inti dari penelitian ini, dibuat dapat diakses melalui integrasi dengan pustaka graph neural network populer. Model ini tersedia di PyTorch Geometric, DGL, dan pustaka TensorFlow GNN Google, dengan tautan langsung yang disediakan untuk akses mudah ke dokumentasi dan implementasi masing-masing. Ketersediaan yang luas ini memastikan fleksibilitas bagi pengguna yang bekerja dengan alat pilihan yang berbeda.
Persyaratan untuk menjalankan kode umumnya konsisten, dengan ketergantungan pada PyTorch (versi 1.7.1) dan PyTorch Geometric (versi 1.7.0). Subdirektori tertentu mungkin memiliki ketergantungan tambahan, seperti DGL (versi 0.6.0) untuk subdirektori `proteins` atau TensorFlow (versi 1.13) untuk `tf-gnn-samples`. Proyek ini mencatat bahwa eksperimen dapat dieksekusi pada perangkat keras GPU atau CPU, menawarkan aksesibilitas untuk berbagai sumber daya komputasi.
Repositori ini sangat berharga bagi siapa saja yang tertarik untuk memahami nuansa perhatian dalam graph neural network, mereproduksi penelitian mutakhir di bidang ini, atau menerapkan model GATv2 canggih pada tugas machine learning berbasis graf mereka sendiri. Struktur kode yang komprehensif dan integrasi kerangka kerja menjadikannya sumber daya yang kuat untuk komunitas graph learning.
- KategoriPlatform Machine Learning
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformWeb
Fitur Inti Seberapa Perhatian Jaringan Graph Attention?
Implementasi kode resmi untuk makalah "How Attentive are Graph Attention Networks?" (ICLR'2022)
Eksperimen yang dapat direproduksi untuk prediksi node, prediksi tautan, dan ketahanan terhadap noise
Implementasi GATv2 tersedia di PyTorch Geometric
Implementasi GATv2 tersedia di DGL
Implementasi GATv2 tersedia di TensorFlow GNN
Kode disusun ke dalam sub-proyek untuk pengaturan eksperimental yang berbeda
Mencakup kode untuk dataset arxiv_mag_products_collab_citation2_noise, proteins, dictionary_lookup, dan tf-gnn-samples
Merinci eksperimen dataset spesifik seperti ogbn-proteins, DictionaryLookup, VarMisuse, dan QM9
Menentukan kompatibilitas perangkat keras (GPU/CPU)
Menyediakan informasi kutipan untuk makalah penelitian
Memulai dengan Seberapa Perhatian Jaringan Graph Attention?
Akses kode: Kloning atau unduh repositori dari GitHub.
Siapkan lingkungan: Instal dependensi yang tercantum dalam persyaratan setiap subdirektori.
Jalankan eksperimen: Navigasikan ke subdirektori yang relevan dan jalankan skrip yang disediakan.
Integrasikan GATv2: Gunakan GATv2Conv dari PyTorch Geometric, DGL, atau TensorFlow GNN.
Reproduksi hasil: Ikuti instruksi README untuk pengaturan eksperimental tertentu.
Adaptasi kode: Modifikasi skrip untuk dataset graf kustom atau pertanyaan penelitian.
Kasus Penggunaan Seberapa Perhatian Jaringan Graph Attention?
- Reproduksi Penelitian
- Pemodelan Graph Attention
- Prediksi Node
- Prediksi Tautan
- Analisis Ketahanan
- Perbandingan Kerangka Kerja
