描述
Principal Neighbourhood Aggregation (PNA) 是一种新颖的图神经网络（GNN）方法，旨在增强其表达能力和可扩展性。该 GitHub 存储库由 lukecavabarrett 维护，提供了 PNA 在三个流行的 GNN 框架上的全面实现：PyTorch、Deep Graph Library (DGL) 和 PyTorch Geometric。
阅读更多
该项目的主要目标是为研究人员和开发人员提供一个强大且易于访问的 PNA 实现，使他们能够在基于图的机器学习任务中利用其高级功能。该存储库不仅包含核心 PNA 层，还包含支持组件，如聚合器、缩放器以及可适应各种图卷积类型的灵活 GNN 框架。
除了核心实现外，该存储库还配备了用于评估 GNN 性能的实用工具。它提供了用于生成和运行多任务基准测试的脚本，从而可以在不同任务下系统地比较不同的 GNN 模型。此外，它还提供了用于执行真实世界基准测试的脚本，有助于评估 PNA 在实际数据集上的有效性。还包括了 GCN、GAT、GIN 和 MPNN 等其他比较 GNN 模型的实现，为基准测试和理解 PNA 的相对优势提供了宝贵的资源。
该存储库的结构组织合理，便于使用和模块化。`pytorch` 目录包含特定于 PyTorch 的实现，包括 PNA 层和通用的 GNN 框架。`dgl` 和 `pytorch_geometric` 目录分别包含其相应库的 PNA 实现。此外，`multi_task` 和 `real_world` 目录提供了运行基准测试的详细说明和脚本，并附有全面的 README 文件指导用户完成设置和训练过程。这使得该存储库成为任何从事图神经网络工作的人的宝贵资产，特别是那些对高级聚合技术感兴趣的人。
- 类别机器学习平台
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
Principal Neighbourhood Aggregation的核心功能
Principal Neighbourhood Aggregation (PNA) 的实现
支持 PyTorch 框架
支持 Deep Graph Library (DGL)
支持 PyTorch Geometric 框架
用于多任务基准测试的脚本
用于真实世界基准测试的脚本
灵活的 PyTorch GNN 框架
其他 GNN 模型（GCN、GAT、GIN、MPNN）的实现
包含聚合器和缩放器
PNA 层实现
GitHub 上提供的开源代码
Principal Neighbourhood Aggregation入门
访问模型：克隆 GitHub 存储库或下载代码。
设置环境：安装所需的依赖项（PyTorch、DGL、PyTorch Geometric 等）。
通过框架集成：在 PyTorch、DGL 或 PyTorch Geometric 中利用 PNA 实现。
运行基准测试：执行提供的多任务或真实世界评估脚本。
调整 GNN 框架：修改灵活的 PyTorch GNN 框架以实现自定义图卷积。
训练模型：遵循 README 文件中的说明进行超参数调整和训练。
Principal Neighbourhood Aggregation的使用案例
- 图神经网络研究
- GNN 模型基准测试
- 药物发现
- 社交网络分析
- 推荐系统
- 交通预测
- 欺诈检测
