Descrição
A Agregação Principal de Vizinhança (PNA) é uma abordagem inovadora para Redes Neurais de Grafos (GNNs) projetada para aprimorar seu poder expressivo e escalabilidade. Este repositório do GitHub, mantido por lukecavabarrett, oferece uma implementação abrangente de PNA em três frameworks populares de GNN: PyTorch, Deep Graph Library (DGL) e PyTorch Geometric.
Ler mais
O objetivo principal deste projeto é fornecer a pesquisadores e desenvolvedores uma implementação robusta e acessível de PNA, permitindo que eles aproveitem suas capacidades avançadas em suas tarefas de aprendizado de máquina baseadas em grafos. O repositório inclui não apenas a camada PNA principal, mas também componentes de suporte como agregadores, escaladores e um framework GNN flexível que pode ser adaptado para vários tipos de convolução de grafos.
Além da implementação principal, o repositório está equipado com ferramentas práticas para avaliar o desempenho das GNNs. Ele apresenta scripts para gerar e executar benchmarks multitarefa, permitindo a comparação sistemática de diferentes modelos de GNN sob diversas tarefas. Adicionalmente, fornece scripts para executar benchmarks do mundo real, facilitando a avaliação da eficácia da PNA em conjuntos de dados práticos. Implementações de outros modelos de GNN comparativos como GCN, GAT, GIN e MPNN também estão incluídas, oferecendo um recurso valioso para benchmarking e compreensão dos pontos fortes relativos da PNA.
A estrutura do repositório é organizada para facilitar o uso e a modularidade. O diretório `pytorch` contém implementações específicas do PyTorch, incluindo a camada PNA e um framework GNN geral. Os diretórios `dgl` e `pytorch_geometric` abrigam as implementações de PNA para suas respectivas bibliotecas. Além disso, os diretórios `multi_task` e `real_world` oferecem instruções detalhadas e scripts para executar benchmarks, com arquivos README abrangentes guiando os usuários através dos processos de configuração e treinamento. Isso torna o repositório um ativo valioso para qualquer pessoa que trabalhe com redes neurais de grafos, especialmente aqueles interessados em técnicas avançadas de agregação.
- CategoriaPlataformas de machine learning
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasWeb
Recursos principais de Agregação Principal de Vizinhança
Implementação de Agregação Principal de Vizinhança (PNA)
Suporte para o framework PyTorch
Suporte para Deep Graph Library (DGL)
Suporte para o framework PyTorch Geometric
Scripts para benchmarks multitarefa
Scripts para benchmarks do mundo real
Framework GNN flexível em PyTorch
Implementações de modelos GNN comparativos (GCN, GAT, GIN, MPNN)
Inclui agregadores e escaladores
Implementação da camada PNA
Código de código aberto disponível no GitHub
Primeiros passos com Agregação Principal de Vizinhança
Acessar modelo: Clone o repositório GitHub ou baixe o código.
Configurar ambiente: Instale as dependências necessárias (PyTorch, DGL, PyTorch Geometric, etc.).
Integrar via framework: Utilize as implementações de PNA dentro de PyTorch, DGL ou PyTorch Geometric.
Executar benchmarks: Execute os scripts fornecidos para avaliações multitarefa ou do mundo real.
Adaptar framework GNN: Modifique o framework GNN flexível em PyTorch para convoluções de grafos personalizadas.
Treinar modelos: Siga as instruções nos arquivos README para ajuste de hiperparâmetros e treinamento.
Casos de uso de Agregação Principal de Vizinhança
- Pesquisa em Redes Neurais de Grafos
- Benchmarking de Modelos GNN
- Descoberta de Medicamentos
- Análise de Redes Sociais
- Sistemas de Recomendação
- Previsão de Tráfego
- Detecção de Fraudes
