Deskripsi
Repositori tkipf/relational-gcn menawarkan implementasi Jaringan Konvolusional Graf Relasional (R-GCN) berbasis Keras. Alat ini secara khusus direkayasa untuk tugas klasifikasi node semi-terawasi pada graf relasional terarah. Ini berfungsi sebagai sumber daya berharga bagi peneliti dan praktisi yang bertujuan untuk mereproduksi atau membangun temuan yang disajikan dalam makalah "Modeling Relational Data with Graph Convolutional Networks" (2017).
Baca Selengkapnya
Implementasi ini berfokus pada aspek klasifikasi entitas dalam pemodelan data relasional. Pengguna dapat memanfaatkan kode ini untuk bereksperimen dengan R-GCN pada berbagai dataset, termasuk AIFB, MUTAG, BGS, dan AM, seperti yang dirinci dalam instruksi penggunaan. Proyek ini menekankan pentingnya versi dependensi tertentu, merekomendasikan Keras 1.2.1 dan Theano 0.9.0, karena versi Keras yang lebih baru dapat mengganggu API matriks jarang Theano. Meskipun TensorFlow dapat digunakan sebagai backend, pengguna harus menyadari potensi keterbatasan terkait ukuran matriks jarang.
Untuk memastikan reproduksi hasil eksperimen yang akurat, repositori menyediakan instruksi yang jelas untuk persiapan dataset dan pelatihan model. Ini juga mencakup panduan tentang konfigurasi backend Keras ke Theano dan penegakan eksekusi CPU, yang direkomendasikan karena potensi keterbatasan memori GPU untuk eksperimen tertentu. Proyek ini dilisensikan di bawah lisensi MIT, mempromosikan akses terbuka dan modifikasi. Makalah terkait, yang dikutip sebagai [1], menawarkan pemahaman teoretis yang lebih dalam tentang model R-GCN dan aplikasinya dalam pemodelan data relasional.
Implementasi ini sangat berguna bagi mereka yang bekerja dengan data terstruktur graf di mana hubungan antar entitas sangat penting. Ini memungkinkan penerapan teknik deep learning canggih untuk memahami dan mengklasifikasikan node dalam jaringan relasional yang kompleks. Kode ini tersedia untuk umum di GitHub, mendorong kolaborasi dan pengembangan lebih lanjut dalam komunitas jaringan saraf graf.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanDi-host sendiri
- PlatformLinux, macOS, Windows
Fitur Inti Jaringan Konvolusional Graf Relasional
Implementasi berbasis Keras
Jaringan Konvolusional Graf Relasional (R-GCN)
Klasifikasi node semi-terawasi
Mendukung graf relasional terarah
Kode untuk reproduksi klasifikasi entitas
Skrip persiapan dataset disertakan
Skrip pelatihan model disediakan
Panduan manajemen dependensi
Opsi penegakan eksekusi CPU
Lisensi MIT
Memulai dengan Jaringan Konvolusional Graf Relasional
Instal dependensi: Jalankan 'python setup.py install' setelah memastikan versi Keras dan Theano yang kompatibel.
Konfigurasi backend Keras: Buat '~/.keras/keras.json' untuk mengatur 'backend' ke 'theano'.
Siapkan dataset: Jalankan 'python prepare_dataset.py -d <nama_dataset>' untuk dataset tertentu (misalnya, aifb, mutag).
Tegakkan eksekusi CPU: Gunakan 'CUDA_VISIBLE_DEVICES=' sebelum perintah pelatihan.
Latih model: Jalankan 'python train.py -d <nama_dataset> --bases <jumlah> --hidden <jumlah> --l2norm <nilai> --testing'.
Reproduksi hasil makalah: Ikuti instruksi spesifik dataset untuk AIFB, MUTAG, BGS, dan AM.
Adaptasi untuk tugas baru: Modifikasi skrip untuk dataset kustom atau variasi tugas graf relasional.
Kasus Penggunaan Jaringan Konvolusional Graf Relasional
- Klasifikasi Node
- Klasifikasi Entitas
- Pemodelan Data Relasional
- Penelitian Jaringan Saraf Graf
- Pembelajaran Mesin Berbasis Graf
