描述
Graph Neural PDEs 是一个由 twitter-research 开发的 GitHub 存储库，提供了其出版物 GRAND (Graph Neural Diffusion) 和 BLEND (Beltrami Flow and Neural Diffusion on Graphs) 的源代码。这些模型将图上的深度学习概念化为一个连续的扩散过程，其中图神经网络 (GNN) 作为底层偏微分方程 (PDE) 的离散化。
阅读更多
核心创新在于 GNN 的层结构和拓扑如何映射到时间和空间算子的离散化选择。这种原则性的开发催生了一类新的 GNN，旨在克服图学习中普遍存在的问题，例如深度限制、过平滑和瓶颈。这些模型的一个关键方面是它们对数据扰动的稳定性，通过隐式和显式离散化方案来解决。
该存储库包括 GRAND 的线性和非线性版本的实现，这些版本在各种标准图基准测试中表现出具有竞争力的性能。BLEND 通过在非欧几里得空间中操作来扩展 GRAND，联合演化节点特征和位置编码。这为图重布线提供了一种稳健的方法。该项目还详细介绍了设置必要依赖项的要求和命令，主要侧重于 PyTorch 及其相关库，并提供了针对常见安装问题的故障排除建议，特别是与 CUDA 版本不匹配相关的问题。
对于有兴趣运行实验的用户，该存储库概述了 GRAND 和 BLEND 的数据集和预处理步骤。它指定创建一个 `./data` 文件夹用于数据集，对于 BLEND，则另外创建一个 `./data/pos_encodings` 文件夹用于位置编码。提供了在 Cora、Citeseer、Computers、Photo 和 ogbn-arxiv 等数据集上运行实验的说明，以及有关生成或下载位置编码的指导。
该项目鼓励通过 Twitter 的 bug-bounty 计划进行贡献和报告安全问题。它根据 Apache-2.0 许可证授权，可免费用于使用和修改。该存储库还包括 GRAND 和 BLEND 论文的引用，允许研究人员参考基础工作。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
Graph Neural PDEs的核心功能
实现了 GRAND (Graph Neural Diffusion) 模型
实现了 BLEND (Beltrami Flow and Neural Diffusion on Graphs) 模型
将图上的深度学习视为一个连续的扩散过程
将 GNN 模型化为底层 PDE 的离散化
解决了过平滑和深度限制等图学习挑战
提供了对数据扰动的稳定性
包括 GRAND 的线性和非线性版本
BLEND 为图重布线提供了非欧几里得扩展
详细的依赖项安装说明 (PyTorch 等)
关于数据集和位置编码准备的指导
用于在基准数据集上运行实验的脚本
依赖项安装问题的故障排除
Apache-2.0 许可证
Graph Neural PDEs入门
设置环境：创建一个 conda 环境并激活，指定 Python 版本。
安装依赖项：使用 pip 安装所需的库，包括 PyTorch、PyTorch Geometric 等。
准备数据：为数据集创建 `./data` 文件夹，为 BLEND 创建 `./data/pos_encodings`。
生成位置编码：如果 BLEND 需要，使用提供的脚本或下载预计算的位置编码。
运行实验：导航到 `src` 目录并使用数据集参数执行 `run_GNN.py`。
故障排除安装：如果遇到安装错误，请验证 CUDA 和 PyTorch 版本。
Graph Neural PDEs的使用案例
- 图神经网络研究
- 节点分类
- 图重布线
- 解决过平滑问题
- GNN 模型基准测试
- 连续图学习
