メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信（無料）

Graph Neural PDEs

まだ評価がありません
AI GitHub リポジトリAIモデルとLLMオープンソース · Web

Graph Neural PDEs は、グラフ学習を連続的な拡散プロセスとして扱うグラフニューラルネットワーク（GNN）のための Python コードを提供するオープンソースプロジェクトです。GRAND および BLEND モデルを実装し、過平滑化や深さの制限といった一般的なグラフ学習の課題に対処するための新しいアプローチを提供します。

リポジトリを見る
共有
リポジトリを見る
共有

説明

Graph Neural PDEs は、twitter-research によって開発された GitHub リポジトリであり、彼らの出版物である GRAND (Graph Neural Diffusion) および BLEND (Beltrami Flow and Neural Diffusion on Graphs) のソースコードを提供しています。これらのモデルは、グラフ上のディープラーニングを連続的な拡散プロセスとして概念化しており、グラフニューラルネットワーク（GNN）は、基盤となる偏微分方程式（PDE）の離散化として機能します。

続きを読む

主な革新性は、GNN の層構造とトポロジーが、時間的および空間的演算子の離散化選択にどのようにマッピングされるかにあります。この原理に基づいた開発により、深さの制限、過平滑化、ボトルネックといったグラフ学習における一般的な問題を克服するように設計された新しいクラスの GNN が誕生しました。これらのモデルの重要な側面は、暗黙的および明示的な離散化スキームの両方によって対処される、データ摂動に対する安定性です。

このリポジトリには、さまざまな標準グラフベンチマークで競争力のあるパフォーマンスを示した GRAND の線形版および非線形版の実装が含まれています。BLEND は、非ユークリッド空間で動作し、ノード特徴と位置エンコーディングを共同で進化させることで GRAND を拡張します。これにより、グラフのリワイヤリングのための堅牢な方法が提供されます。このプロジェクトでは、主に PyTorch および関連ライブラリに焦点を当てた、必要な依存関係をセットアップするための要件とコマンドも詳述しており、特に CUDA バージョンの不一致に関連する一般的なインストール問題のトラブルシューティングに関するアドバイスも提供しています。

実験の実行に関心のあるユーザーのために、リポジトリは GRAND および BLEND の両方のデータセットと前処理の手順を概説しています。データセット用に `./data` フォルダを作成し、BLEND 用には位置エンコーディング用にさらに `./data/pos_encodings` フォルダを作成することを指定しています。Cora、Citeseer、Computers、Photo、ogbn-arxiv などのデータセットで実験を実行するための指示と、位置エンコーディングの生成またはダウンロードに関するガイダンスが提供されています。

このプロジェクトは、貢献を奨励し、Twitter のバグバウンティプログラムを通じてセキュリティ問題を報告することを推奨しています。Apache-2.0 ライセンスの下でライセンスされており、自由に使用および変更が可能です。リポジトリには、GRAND および BLEND の論文への引用も含まれており、研究者は基礎となる作業を参照することができます。

  • カテゴリーAIモデルとLLM
  • 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Web

Graph Neural PDEsの主要機能

  • GRAND (Graph Neural Diffusion) モデルの実装

  • BLEND (Beltrami Flow and Neural Diffusion on Graphs) モデルの実装

  • グラフ上のディープラーニングを連続的な拡散プロセスとして扱う

  • GNN を基盤となる PDE の離散化としてモデル化

  • 過平滑化や深さの制限といったグラフ学習の課題に対処

  • データ摂動に対する安定性を提供

  • GRAND の線形版および非線形版を含む

  • BLEND はグラフのリワイヤリングのための非ユークリッド拡張を提供

  • 依存関係（PyTorch など）のインストール手順の詳細

  • データセットおよび位置エンコーディングの準備に関するガイダンス

  • ベンチマークデータセットでの実験実行用スクリプト

  • 依存関係インストール問題のトラブルシューティング

  • Apache-2.0 ライセンス

Graph Neural PDEsをはじめる

  1. 環境設定: 指定された Python バージョンで conda 環境を作成し、アクティブ化します。

  2. 依存関係のインストール: pip を使用して、PyTorch、PyTorch Geometric などを含む必要なライブラリをインストールします。

  3. データの準備: データセット用に `./data` フォルダ、BLEND 用に `./data/pos_encodings` フォルダを作成します。

  4. 位置エンコーディングの生成: 提供されたスクリプトを使用するか、BLEND のために必要な場合は事前計算されたエンコーディングをダウンロードします。

  5. 実験の実行: `src` ディレクトリに移動し、データセットパラメータを指定して `run_GNN.py` を実行します。

  6. インストール問題のトラブルシューティング: インストールエラーが発生した場合は、CUDA と PyTorch のバージョンを確認します。

Graph Neural PDEsの使用例

  • グラフニューラルネットワーク研究
  • ノード分類
  • グラフのリワイヤリング
  • 過平滑化への対処
  • GNN モデルのベンチマーク
  • 連続グラフ学習

Graph Neural PDEsのFAQ

Graph Neural PDEs のレビュー

Graph Neural PDEs のレビュー

読み込み中...

Graph Neural PDEs に似た人気のAIツール

Temporal Graph Networks

AI GitHub リポジトリ

Temporal Graph Networks (TGNs) は、動的グラフに対する深層学習のための汎用的かつ効率的なフレームワークを提供します。このPythonベースのライブラリは、新しいメモリモジュールとグラフベースの演算子を利用して、進化するグラフ構造における計算効率と予測精度で既存の手法を上回ります。

AIモデルとLLM
ツールを見る

Temporal Graph Networks

AI GitHub リポジトリ

動的グラフに対する深層学習のための汎用的かつ効率的なフレームワークを提供します。このPythonベースのライブラリは、新しいメモリモジュールとグラフベースの演算子を利用して、進化するグラフ構造における計算効率と予測精度で既存の手法を上回ります。Temporal Graph Networks (TGNs) は、動的グラフに対する深層学習のための汎用的かつ効率的なフレームワークを提供します。このPythonベースのライブラリは、新しいメモリモジュールとグラフベースの演算子を利用して、進化するグラフ構造における計算効率と予測精度で既存の手法を上回ります。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

Simplifying Graph Convolutional Networks

AI GitHub リポジトリ

このリポジトリは、論文「Simplifying Graph Convolutional Networks」の公式実装を提供します。非線形性を取り除き、重み行列を一つにまとめることで、合理化された Graph Convolutional Network（GCN）モデルを実現。線形モデルでありながら、学習時間を大幅に短縮しつつ、競争力のある性能を達成します。

AIモデルとLLM
ツールを見る

Simplifying Graph Convolutional Networks

AI GitHub リポジトリ

このリポジトリは、論文「Simplifying Graph Convolutional Networks」の公式実装を提供します。非線形性を取り除き、重み行列を一つにまとめることで、合理化された Graph Convolutional Network（GCN）モデルを実現。線形モデルでありながら、学習時間を大幅に短縮しつつ、競争力のある性能を達成します。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

Graph Convolutional Networks

AI GitHub リポジトリ

グラフ畳み込みネットワーク（GCN）は、グラフ構造のデータを処理するために設計されたニューラルネットワークの一種です。畳み込みニューラルネットワークをグラフ構造データに一般化し、半教師あり学習やグラフ埋め込みにおける強力な応用を可能にします。このモデルは、複雑なネットワークデータの分析に新しいアプローチを提供します。

その他のAIツール
ツールを見る

Graph Convolutional Networks

AI GitHub リポジトリ

グラフ畳み込みネットワーク（GCN）は、グラフ構造のデータを処理するために設計されたニューラルネットワークの一種です。畳み込みニューラルネットワークをグラフ構造データに一般化し、半教師あり学習やグラフ埋め込みにおける強力な応用を可能にします。このモデルは、複雑なネットワークデータの分析に新しいアプローチを提供します。

その他のAIツール
AI GitHub リポジトリ トップ250を見る

Principal Neighbourhood Aggregation

AI GitHub リポジトリ

このリポジトリは、グラフニューラルネットワーク（GNN）のためのPrincipal Neighbourhood Aggregation（PNA）の実装を提供します。PyTorch、DGL、PyTorch Geometricフレームワークをサポートし、マルチタスクおよび実世界のベンチマーク用のスクリプト、柔軟なGNNフレームワーク、比較モデルを提供します。

機械学習プラットフォーム
ツールを見る

Principal Neighbourhood Aggregation

AI GitHub リポジトリ

このリポジトリは、グラフニューラルネットワーク（GNN）のためのPrincipal Neighbourhood Aggregation（PNA）の実装を提供します。PyTorch、DGL、PyTorch Geometricフレームワークをサポートし、マルチタスクおよび実世界のベンチマーク用のスクリプト、柔軟なGNNフレームワーク、比較モデルを提供します。

機械学習プラットフォーム
AI GitHub リポジトリ トップ250を見る

LightGCN

AI GitHub リポジトリ

LightGCNは、推薦システム向けに設計されたシンプルなグラフ畳み込みネットワークです。協調フィルタリングにおける本質的な近傍集約コンポーネントに焦点を当て、インタラクションデータからユーザーとアイテムの表現を効率的かつ効果的に学習するアプローチを提供します。

AIモデルとLLM
ツールを見る

LightGCN

AI GitHub リポジトリ

推薦システム向けに設計されたシンプルなグラフ畳み込みネットワークです。協調フィルタリングにおける本質的な近傍集約コンポーネントに焦点を当て、インタラクションデータからユーザーとアイテムの表現を効率的かつ効果的に学習するアプローチを提供します。LightGCNは、推薦システム向けに設計されたシンプルなグラフ畳み込みネットワークです。協調フィルタリングにおける本質的な近傍集約コンポーネントに焦点を当て、インタラクションデータからユーザーとアイテムの表現を効率的かつ効果的に学習するアプローチを提供します。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

CompGCN

AI GitHub リポジトリ

CompGCNは、Composition-Based Multi-Relational Graph Convolutional NetworksのPyTorch実装です。知識グラフのリンク予測などのタスク向けに高度なグラフ表現学習を可能にし、柔軟な合成演算と様々なスコアリング関数との互換性を提供します。

AIモデルとLLM
ツールを見る

CompGCN

AI GitHub リポジトリ

Composition-Based Multi-Relational Graph Convolutional NetworksのPyTorch実装です。知識グラフのリンク予測などのタスク向けに高度なグラフ表現学習を可能にし、柔軟な合成演算と様々なスコアリング関数との互換性を提供します。CompGCNは、Composition-Based Multi-Relational Graph Convolutional NetworksのPyTorch実装です。知識グラフのリンク予測などのタスク向けに高度なグラフ表現学習を可能にし、柔軟な合成演算と様々なスコアリング関数との互換性を提供します。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

PPNP & APPNP モデル

AI GitHub リポジトリ

このGitHubリポジトリは、"Predict then Propagate: Graph Neural Networks meet Personalized PageRank"論文で紹介されたPPNPおよびAPPNPモデルのTensorFlowおよびPyTorch実装を提供します。結果の再現コードや、グラフベースの機械学習プロジェクトへの簡単な統合例が含ま…

AIモデルとLLM
ツールを見る

PPNP & APPNP モデル

AI GitHub リポジトリ

このGitHubリポジトリは、"Predict then Propagate: Graph Neural Networks meet Personalized PageRank"論文で紹介されたPPNPおよびAPPNPモデルのTensorFlowおよびPyTorch実装を提供します。結果の再現コードや、グラフベースの機械学習プロジェクトへの簡単な統合例が含ま…

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

DGCNN

AI GitHub リポジトリ

DGCNNは、Dynamic Graph CNNを実装した点群学習用AIモデルです。分類やセグメンテーションなどの3D点群データ処理タスクで最先端の性能を達成しています。PyTorch実装が利用可能で、実世界のシナリオにも応用されています。

AIモデルとLLM
ツールを見る

DGCNN

AI GitHub リポジトリ

Dynamic Graph CNNを実装した点群学習用AIモデルです。分類やセグメンテーションなどの3D点群データ処理タスクで最先端の性能を達成しています。PyTorch実装が利用可能で、実世界のシナリオにも応用されています。DGCNNは、Dynamic Graph CNNを実装した点群学習用AIモデルです。分類やセグメンテーションなどの3D点群データ処理タスクで最先端の性能を達成しています。PyTorch実装が利用可能で、実世界のシナリオにも応用されています。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る
1 / 8