Descrição
Este repositório do GitHub serve como a base de código oficial para o artigo da ICLR'2022 intitulado "How Attentive are Graph Attention Networks?". Ele permite que pesquisadores e desenvolvedores reproduzam os resultados experimentais apresentados no artigo, focando nos mecanismos de atenção em Redes de Atenção em Grafos (GATs), particularmente a variante GATv2.
Ler mais
O projeto é estruturado para facilitar a replicação de experimentos em diferentes frameworks de deep learning. Subdiretórios chave incluem `arxiv_mag_products_collab_citation2_noise` para experimentos de predição de nós, predição de links e robustez a ruído; `proteins` para resultados de predição de nós ogbn-proteins; `dictionary_lookup` para o benchmark DictionaryLookup; e `tf-gnn-samples` para experimentos com os datasets VarMisuse e QM9. Este design modular permite que os usuários naveguem e utilizem facilmente o código relevante aos seus interesses de pesquisa específicos.
O modelo GATv2, um componente central da pesquisa, é disponibilizado através de integrações com bibliotecas populares de redes neurais em grafos. Ele está disponível no PyTorch Geometric, DGL e na biblioteca TensorFlow GNN do Google, com links diretos fornecidos para fácil acesso à sua documentação e implementações respectivas. Esta ampla disponibilidade garante flexibilidade para usuários que trabalham com diferentes ferramentas preferidas.
Os requisitos para executar o código são geralmente consistentes, com dependências de PyTorch (versão 1.7.1) e PyTorch Geometric (versão 1.7.0). Subdiretórios específicos podem ter dependências adicionais, como DGL (versão 0.6.0) para o subdiretório `proteins` ou TensorFlow (versão 1.13) para `tf-gnn-samples`. O projeto observa que os experimentos podem ser executados em hardware GPU ou CPU, oferecendo acessibilidade para uma ampla gama de recursos computacionais.
Este repositório é inestimável para qualquer pessoa interessada em compreender as nuances da atenção em redes neurais em grafos, replicar pesquisas de ponta na área, ou aplicar modelos avançados GATv2 às suas próprias tarefas de machine learning baseadas em grafos. A estrutura abrangente do código e as integrações de framework o tornam um recurso robusto para a comunidade de aprendizado em grafos.
- CategoriaPlataformas de machine learning
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasWeb
Recursos principais de Quão Atentas são as Redes de Atenção em Grafos?
Implementação oficial do código para o artigo "How Attentive are Graph Attention Networks?" (ICLR'2022)
Experimentos reproduzíveis para predição de nós, predição de links e robustez a ruído
Implementação GATv2 disponível em PyTorch Geometric
Implementação GATv2 disponível em DGL
Implementação GATv2 disponível em TensorFlow GNN
Código estruturado em subprojetos para diferentes configurações experimentais
Inclui código para os datasets arxiv_mag_products_collab_citation2_noise, proteins, dictionary_lookup e tf-gnn-samples
Detalha experimentos específicos de datasets como ogbn-proteins, DictionaryLookup, VarMisuse e QM9
Especifica compatibilidade de hardware (GPU/CPU)
Fornece informações de citação para o artigo de pesquisa
Primeiros passos com Quão Atentas são as Redes de Atenção em Grafos?
Acessar código: Clone ou baixe o repositório do GitHub.
Configurar ambiente: Instale as dependências listadas nos requisitos de cada subdiretório.
Executar experimentos: Navegue até o subdiretório relevante e execute os scripts fornecidos.
Integrar GATv2: Utilize GATv2Conv do PyTorch Geometric, DGL ou TensorFlow GNN.
Reproduzir resultados: Siga as instruções do README para configurações experimentais específicas.
Adaptar código: Modifique os scripts para datasets de grafos personalizados ou questões de pesquisa.
Casos de uso de Quão Atentas são as Redes de Atenção em Grafos?
- Reproduzir Pesquisa
- Modelagem de Atenção em Grafos
- Predição de Nós
- Predição de Links
- Análise de Robustez
- Comparação de Frameworks
