説明
このGitHubリポジトリ、chennnM/GCNIIは、「Simple and Deep Graph Convolutional Networks」(GCNII)という研究論文のPyTorch実装を提供しています。このプロジェクトは、研究者や開発者がGCNIIを容易に利用し、実験や改良を行えるようにすることを目的としています。
続きを読む
この実装は、Cora、Citeseer、Pubmedといったベンチマークデータセットに加え、Chameleon、Cornell、Texas、Wisconsinなどの追加データセットを含む、様々なグラフデータセットをサポートしています。半教師あり学習と全教師あり学習の両方の設定に対応しており、GCNやGeom-GCNといった関連研究で説明されている実験設定を再現できます。リポジトリにはこれらの実験を実行するためのスクリプトも含まれており、報告されている結果を簡単に再現することが可能です。
実装の主要なコンポーネントには、コアモデルアーキテクチャ、データロードおよび前処理ユーティリティ、トレーニングスクリプトが含まれます。プロジェクトでは、CUDA、Python、PyTorch、NetworkX、scikit-learnなどの依存関係が詳細に記載されており、ユーザーが環境を正しく設定できるようになっています。さらに、PyG(PyTorch Geometric)フォルダ内には参照実装が提供されており、PyTorch Geometricライブラリとの統合を希望または必要とするユーザー向けに、torch-geometricとogbの特定のバージョン要件が示されています。
リポジトリには、異なるデータセットと設定におけるテスト精度結果の概要も提示されており、ユーザーが自身の実装や発見と比較するためのベンチマークを提供します。使用方法の説明は明確で、半教師あり、全教師あり、および帰納的PPI実験を実行するためのシェルスクリプトの実行方法を案内しています。これにより、GCNIIモデルはグラフベースの機械学習タスクへの実用的な応用が可能になります。
このプロジェクトは活発にメンテナンスされており、READMEファイルには最近の更新が含まれています。コミュニティの関与を示すコントリビューションやフォークは、オープンソース開発の協調的な性質を強調しています。主な使用言語はPythonであり、ユーティリティ目的で少量のShellスクリプトが使用されています。このリソースは、高度なグラフニューラルネットワークとその応用に関心のあるすべての人にとって価値があります。
- カテゴリー機械学習プラットフォーム
- 料金モデルオープンソース
- デプロイクラウド, セルフホスト
- プラットフォームLinux, Windows
GCNIIの主要機能
GCNIIモデルのPyTorch実装
半教師あり学習をサポート
全教師あり学習をサポート
ベンチマークデータセット(Cora, Citeseer, Pubmed)を含む
追加データセット(Chameleon, Cornell, Texas, Wisconsin)を含む
実験結果の再現用スクリプトを提供
PyTorch Geometricの参照実装を提供
環境設定のための依存関係を詳細に記載
テスト精度結果を要約
実験用の使用方法の説明を含む
主にPythonで書かれたコードベース
GCNIIをはじめる
環境設定: CUDA、Python 3.6.9、PyTorch 1.3.1、NetworkX 2.1、scikit-learnをインストールします。
データセットのダウンロード: 'data' および 'newdata' フォルダにデータを配置します。
半教師あり結果の再現: `sh semi.sh` を実行します。
全教師あり結果の再現: `sh full.sh` を実行します。
帰納的PPI結果の再現: `sh ppi.sh` を実行します。
PyG実装の統合: torch-geometric >= 1.5.0 および ogb >= 1.2.0 がインストールされていることを確認します。
PyGの例を実行: `python cora.py` または `python arxiv.py` を実行します。
GCNIIの使用例
- グラフニューラルネットワーク研究
- 研究結果の再現
- グラフベース機械学習
- モデルベンチマーキング
- 教育ツール
- グラフ上の帰納的学習








