Deskripsi
Repositori GitHub ini, chennnM/GCNII, menawarkan implementasi PyTorch dari makalah penelitian "Simple and Deep Graph Convolutional Networks" (GCNII). Proyek ini bertujuan untuk menyediakan basis kode yang mudah diakses dan fungsional bagi para peneliti dan pengembang untuk bereksperimen dan membangun GCNII.
Implementasi ini mendukung berbagai dataset graf, termasuk set benchmark seperti Cora, Citeseer, dan Pubmed, serta dataset tambahan seperti Chameleon, Cornell, Texas, dan Wisconsin. Ini memungkinkan replikasi pengaturan pembelajaran semi-supervised dan full-supervised, mencerminkan pengaturan eksperimental yang dijelaskan dalam penelitian terkait seperti GCN dan Geom-GCN. Repositori ini juga menyertakan skrip untuk menjalankan eksperimen ini, sehingga memudahkan untuk mereproduksi hasil yang dilaporkan.
Komponen utama implementasi meliputi arsitektur model inti, utilitas pemuatan dan pra-pemrosesan data, serta skrip pelatihan. Proyek ini merinci dependensinya, seperti CUDA, Python, PyTorch, NetworkX, dan scikit-learn, memastikan pengguna dapat menyiapkan lingkungan mereka dengan benar. Selain itu, implementasi referensi di dalam folder PyG (PyTorch Geometric) disediakan bagi mereka yang lebih memilih atau memerlukan integrasi dengan pustaka PyTorch Geometric, dengan persyaratan versi tertentu untuk torch-geometric dan ogb.
Repositori ini juga menyajikan ringkasan hasil akurasi pengujian di berbagai dataset dan pengaturan, menawarkan benchmark bagi pengguna untuk membandingkan implementasi atau temuan mereka sendiri. Instruksi penggunaan jelas, memandu pengguna tentang cara menjalankan skrip shell yang disediakan untuk eksperimen semi-supervised, full-supervised, dan induktif PPI. Hal ini membuat model GCNII dapat diakses untuk aplikasi praktis dalam tugas machine learning berbasis graf.
Proyek ini dipelihara secara aktif, dengan pembaruan terbaru pada file README. Ini menyoroti sifat kolaboratif pengembangan open-source, dengan kontribusi dan fork yang menunjukkan keterlibatan komunitas. Bahasa utama yang digunakan adalah Python, dengan persentase kecil skrip Shell untuk tujuan utilitas. Sumber daya ini berharga bagi siapa saja yang tertarik pada graph neural networks tingkat lanjut dan aplikasinya.
Sorotan Implementasi GCNII PyTorch
Implementasi PyTorch dari model GCNII
Mendukung pembelajaran semi-supervised
Mendukung pembelajaran full-supervised
Mencakup dataset benchmark (Cora, Citeseer, Pubmed)
Mencakup dataset tambahan (Chameleon, Cornell, Texas, Wisconsin)
Menyediakan skrip untuk mereplikasi hasil eksperimen
Menawarkan implementasi referensi PyTorch Geometric
Merinci dependensi untuk penyiapan lingkungan
Merangkum hasil akurasi pengujian
Mencakup instruksi penggunaan untuk eksperimen
Basis kode ditulis terutama dalam Python
Memulai dengan Implementasi GCNII PyTorch
Siapkan lingkungan: Instal CUDA, Python 3.6.9, PyTorch 1.3.1, NetworkX 2.1, scikit-learn.
Unduh dataset: Tempatkan data di folder 'data' dan 'newdata'.
Replikasi hasil semi-supervised: Jalankan `sh semi.sh`.
Replikasi hasil full-supervised: Jalankan `sh full.sh`.
Replikasi hasil induktif PPI: Jalankan `sh ppi.sh`.
Integrasikan implementasi PyG: Pastikan torch-geometric >= 1.5.0 dan ogb >= 1.2.0 terinstal.
Jalankan contoh PyG: Eksekusi `python cora.py` atau `python arxiv.py`.
Kasus Penggunaan Implementasi GCNII PyTorch
- Penelitian Graph Neural Network
- Mereproduksi Hasil Penelitian
- Machine Learning Berbasis Graf
- Benchmarking Model
- Alat Edukasi
- Pembelajaran Induktif pada Graf
