PPNP & APPNP 모델

설명

이 리포지토리는 Gasteiger, Bojchevski, Günnemann이 작성한 ICLR 2019 논문 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"에 상세히 설명된 PPNP (Predict then Propagate) 및 APPNP (Approximate Personalized PageRank) 모델의 공식 구현을 호스팅합니다. 이 프로젝트는 고급 그래프 신경망 모델의 TensorFlow 및 PyTorch 버전을 모두 제공합니다.

이 리포지토리의 주요 목표는 연구원과 개발자에게 그래프 구조 데이터를 포함하는 작업에 이러한 모델을 활용할 수 있는 접근 가능한 코드를 제공하는 것입니다. 구현은 사용하기 쉽도록 설계되었으며, 원본 논문에 제시된 결과를 재현하기 위한 명확한 예제와 지침을 제공합니다. 이는 GNN 프레임워크 내에서 Personalized PageRank 개념의 추가 연구 및 적용을 촉진합니다.

주요 기능에는 전파 메커니즘과 예측 모델을 효과적으로 결합하여 그래프 분류 및 기타 노드 수준 또는 그래프 수준 예측을 수행하는 기능이 포함됩니다. 이 모델은 네트워크 내에서 노드의 중요성과 영향력을 이해하는 것이 중요한 시나리오에 특히 적합합니다. 또한 NetworkX 그래프를 프로젝트의 SparseGraph 형식으로 변환하는 등 데이터 처리를 위한 유틸리티를 포함하여 사용자 지정 데이터셋을 사용할 수 있도록 합니다.

이 리포지토리의 대상 독자에는 그래프 신경망, 네트워크 분석 및 관련 분야에서 작업하는 머신러닝 연구원, 데이터 과학자 및 엔지니어가 포함됩니다. 링크 예측, 노드 분류 또는 추천 시스템과 같은 작업에 최첨단 GNN 아키텍처를 구현하거나 실험하려는 개발자는 이 리소스를 유용하게 사용할 수 있습니다.

가치 제안은 전통적인 그래프 알고리즘(예: Personalized PageRank)과 최신 딥러닝 기술 간의 격차를 해소하는 강력한 그래프 신경망 모델의 잘 문서화된 오픈 소스 구현을 제공하는 데 있습니다. TensorFlow 및 PyTorch 버전 모두의 가용성은 다양한 개발 환경에서 유연성과 채택을 향상시킵니다.

PPNP & APPNP 모델 하이라이트

• PPNP 및 APPNP 모델의 TensorFlow 구현

• PPNP 및 APPNP 모델의 PyTorch 구현

• ICLR 2019 논문의 결과 재현을 위한 코드

• 쉬운 통합을 위한 예제 노트북 (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)

• NetworkX 그래프를 SparseGraph 형식으로 변환하는 유틸리티

• Cora-ML, Citeseer, PubMed와 같은 데이터셋 포함

• 그래프 기반 머신러닝 작업 지원

• "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" 논문 기반

• GitHub에서 사용 가능한 오픈 소스 코드

PPNP & APPNP 모델 시작하기

1. 1

   모델 액세스: GitHub 리포지토리를 로컬 머신으로 클론합니다.

2. 2

   환경 설정: `pip install -r requirements.txt`를 사용하여 필요한 패키지를 설치합니다.

3. 3

   API를 통한 통합: Python 스크립트 내에서 PPNP 또는 APPNP 모델 클래스를 가져와 사용합니다.

4. 4

   예제 실행: 제공된 Jupyter 노트북 (`simple_example_pytorch.ipynb` 또는 `simple_example_tensorflow.ipynb`)을 실행하여 모델이 작동하는 것을 확인합니다.

5. 5

   결과 재현: `reproduce_results.ipynb`를 사용하여 원본 논문에 제시된 실험 결과를 재현합니다.

6. 6

   데이터 처리: 사용자 지정 데이터셋 통합을 위해 `networkx_to_sparsegraph`를 사용합니다.

PPNP & APPNP 모델의 사용 사례

• 그래프 분류
• 노드 분류
• 링크 예측
• 추천 시스템
• 네트워크 분석
• 속성 그래프 학습

PPNP & APPNP 모델의 FAQ

• PPNP 및 APPNP 모델이란 무엇인가요?

  PPNP와 APPNP는 ICLR 2019 논문 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"에 상세히 설명된 대로 전파 메커니즘과 Personalized PageRank 개념을 결합한 그래프 신경망 모델입니다.

• 어떤 프로그래밍 언어와 프레임워크가 지원되나요?

  이 리포지토리는 TensorFlow (버전 >=1.6, <2.0) 및 PyTorch (버전 >=1.5) 모두에서 구현을 제공합니다.

• PPNP/APPNP 모델을 어떻게 시작할 수 있나요?

  시작하는 가장 쉬운 방법은 리포지토리에 제공된 `simple_example_pytorch.ipynb` 또는 `simple_example_tensorflow.ipynb` 노트북을 살펴보는 것입니다.

• 논문의 결과를 재현할 수 있나요?

  예, `reproduce_results.ipynb` 노트북이 포함되어 있어 원본 논문에 제시된 결과를 재현하는 방법을 보여줍니다.

• 이 리포지토리의 종속성은 무엇인가요?

  주요 종속성에는 numpy, scipy, TensorFlow (>=1.6,<2.0) 및 PyTorch (>=1.5)가 포함됩니다. 특정 데이터 변환 방법에는 NetworkX가 필요합니다.

• 필요한 패키지는 어떻게 설치하나요?

  환경에서 `pip install -r requirements.txt`를 실행하여 모든 요구 사항을 설치할 수 있습니다.

• 이 모델에 내 자체 데이터셋을 사용할 수 있나요?

  예, 사용자 지정 데이터셋을 사용할 수 있습니다. `ppnp.data.io`의 `networkx_to_sparsegraph` 메서드는 NetworkX 그래프를 필요한 SparseGraph 형식으로 변환하는 데 도움이 될 수 있습니다.

• 리포지토리에 어떤 데이터셋이 포함되어 있나요?

  리포지토리에는 `data` 폴더에 Cora-ML, Citeseer, PubMed와 같은 여러 데이터셋이 포함되어 있으며, 원본 출처에 대한 참조도 함께 제공됩니다.

• PPNP 및 APPNP 모델은 누가 저술했나요?

  이 모델은 Johannes Gasteiger (이전 Johannes Klicpera), Aleksandar Bojchevski, Stephan Günnemann이 제안했습니다.

• 논문은 어디에 출판되었나요?

  논문 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"는 ICLR 2019 (International Conference on Learning Representations)에 출판되었습니다.

• 이 코드의 라이선스는 무엇인가요?

  이 코드는 MIT 라이선스로 배포됩니다.

• 이 작업을 어떻게 인용할 수 있나요?

  제공된 BibTeX 항목을 사용하여 논문을 인용할 수 있습니다: @inproceedings{gasteiger_predict_2019, title = {Predict then Propagate: Graph Neural Networks meet Personalized PageRank}, author = {Gasteiger, Johannes and Bojchevski, Aleksandar and G{"u}nnemann, Stephan}, booktitle={International Conference on Learning Representations (ICLR)}, year = {2019} }