Descrição
Este repositório do GitHub, chennnM/GCNII, oferece uma implementação em PyTorch do artigo de pesquisa "Simple and Deep Graph Convolutional Networks" (GCNII). O projeto visa fornecer a pesquisadores e desenvolvedores uma base de código prontamente acessível e funcional para experimentar e construir sobre o GCNII.
Ler mais
A implementação suporta vários conjuntos de dados de grafos, incluindo conjuntos de referência como Cora, Citeseer e Pubmed, bem como conjuntos de dados adicionais como Chameleon, Cornell, Texas e Wisconsin. Ela permite a replicação de configurações de aprendizado semi-supervisionado e totalmente supervisionado, espelhando as configurações experimentais descritas em pesquisas relacionadas como GCN e Geom-GCN. O repositório também inclui scripts para executar esses experimentos, tornando simples a reprodução dos resultados reportados.
Os principais componentes da implementação incluem a arquitetura central do modelo, utilitários de carregamento e pré-processamento de dados e scripts de treinamento. O projeto detalha suas dependências, como CUDA, Python, PyTorch, NetworkX e scikit-learn, garantindo que os usuários possam configurar seu ambiente corretamente. Além disso, uma implementação de referência na pasta PyG (PyTorch Geometric) é fornecida para aqueles que preferem ou necessitam de integração com a biblioteca PyTorch Geometric, com requisitos de versão específicos para torch-geometric e ogb.
O repositório também apresenta um resumo dos resultados de precisão de teste em diferentes conjuntos de dados e configurações, oferecendo um benchmark para os usuários compararem suas próprias implementações ou descobertas. As instruções de uso são claras, guiando os usuários sobre como executar os scripts shell fornecidos para experimentos semi-supervisionados, totalmente supervisionados e indutivos de PPI. Isso torna o modelo GCNII acessível para aplicação prática em tarefas de aprendizado de máquina baseadas em grafos.
O projeto é ativamente mantido, com atualizações recentes no arquivo README. Ele destaca a natureza colaborativa do desenvolvimento de código aberto, com contribuições e forks indicando engajamento da comunidade. A linguagem principal utilizada é Python, com uma pequena porcentagem de scripts Shell para fins utilitários. Este recurso é valioso para qualquer pessoa interessada em redes neurais de grafos avançadas e suas aplicações.
- CategoriaPlataformas de machine learning
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasLinux, Windows
Recursos principais de GCNII
Implementação do modelo GCNII em PyTorch
Suporta aprendizado semi-supervisionado
Suporta aprendizado totalmente supervisionado
Inclui conjuntos de dados de referência (Cora, Citeseer, Pubmed)
Inclui conjuntos de dados adicionais (Chameleon, Cornell, Texas, Wisconsin)
Fornece scripts para replicar resultados experimentais
Oferece uma implementação de referência em PyTorch Geometric
Detalha dependências para configuração do ambiente
Resume resultados de precisão de teste
Inclui instruções de uso para experimentos
Código escrito principalmente em Python
Primeiros passos com GCNII
Configurar ambiente: Instalar CUDA, Python 3.6.9, PyTorch 1.3.1, NetworkX 2.1, scikit-learn.
Baixar conjuntos de dados: Colocar os dados nas pastas 'data' e 'newdata'.
Replicar resultados semi-supervisionados: Executar `sh semi.sh`.
Replicar resultados totalmente supervisionados: Executar `sh full.sh`.
Replicar resultados indutivos de PPI: Executar `sh ppi.sh`.
Integrar implementação PyG: Garantir que torch-geometric >= 1.5.0 e ogb >= 1.2.0 estejam instalados.
Executar exemplos PyG: Executar `python cora.py` ou `python arxiv.py`.
Casos de uso de GCNII
- Pesquisa em Redes Neurais de Grafos
- Reprodução de Resultados de Pesquisa
- Aprendizado de Máquina Baseado em Grafos
- Benchmarking de Modelos
- Ferramenta Educacional
- Aprendizado Indutivo em Grafos
