Описание
Репозиторий tkipf/relational-gcn предлагает реализацию реляционных сверточных графовых сетей (R-GCN) на основе Keras. Этот инструмент специально разработан для задач полуавтоматической классификации узлов на направленных реляционных графах. Он служит ценным ресурсом для исследователей и практиков, стремящихся воспроизвести или развить результаты, представленные в статье «Моделирование реляционных данных с помощью сверточных графовых сетей» (2017).
Читать далее
Реализация фокусируется на аспекте классификации сущностей при моделировании реляционных данных. Пользователи могут использовать этот код для экспериментов с R-GCN на различных наборах данных, включая AIFB, MUTAG, BGS и AM, как подробно описано в инструкциях по использованию. Проект подчеркивает важность конкретных версий зависимостей, рекомендуя Keras 1.2.1 и Theano 0.9.0, поскольку более новые версии Keras могут нарушить работу API разреженных матриц Theano. Хотя TensorFlow может использоваться в качестве бэкенда, пользователи должны знать о потенциальных ограничениях, связанных с размером разреженных матриц.
Для обеспечения точного воспроизведения результатов экспериментов репозиторий содержит четкие инструкции по подготовке наборов данных и обучению моделей. Он также включает рекомендации по настройке бэкенда Keras на Theano и принудительному выполнению на ЦП, что рекомендуется из-за потенциальных ограничений памяти GPU для некоторых экспериментов. Проект лицензирован под лицензией MIT, что способствует открытому доступу и модификации. Связанная статья, цитируемая как [1], предлагает более глубокое теоретическое понимание модели R-GCN и ее применения в моделировании реляционных данных.
Эта реализация особенно полезна для тех, кто работает с графовыми данными, где отношения между сущностями имеют решающее значение. Она позволяет применять передовые методы глубокого обучения для понимания и классификации узлов в сложных реляционных сетях. Код общедоступен на GitHub, способствуя сотрудничеству и дальнейшему развитию сообщества графовых нейронных сетей.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеНа своём сервере
- ПлатформыLinux, macOS, Windows
Основные функции Реляционные сверточные графовые сети
Реализация на основе Keras
Реляционные сверточные графовые сети (R-GCN)
Полуавтоматическая классификация узлов
Поддержка направленных реляционных графов
Код для воспроизведения классификации сущностей
Включены скрипты подготовки наборов данных
Предоставлены скрипты обучения моделей
Руководство по управлению зависимостями
Опция принудительного выполнения на ЦП
Лицензия MIT
Начало работы с Реляционные сверточные графовые сети
Установите зависимости: выполните 'python setup.py install' после обеспечения совместимости версий Keras и Theano.
Настройте бэкенд Keras: создайте '~/.keras/keras.json' и установите 'backend' в 'theano'.
Подготовьте набор данных: выполните 'python prepare_dataset.py -d <имя_набора_данных>' для конкретных наборов данных (например, aifb, mutag).
Принудительное выполнение на ЦП: используйте 'CUDA_VISIBLE_DEVICES=' перед командой обучения.
Обучите модель: выполните 'python train.py -d <имя_набора_данных> --bases <число> --hidden <число> --l2norm <значение> --testing'.
Воспроизведите результаты статьи: следуйте инструкциям для конкретных наборов данных AIFB, MUTAG, BGS и AM.
Адаптируйте для новых задач: измените скрипты для пользовательских наборов данных или вариаций задач на реляционных графах.
Варианты использования Реляционные сверточные графовые сети
- Классификация узлов
- Классификация сущностей
- Моделирование реляционных данных
- Исследования графовых нейронных сетей
- Графовое машинное обучение
