Relational Graph Convolutional Networks

설명

The tkipf/relational-gcn repository offers a Keras-based implementation of Relational Graph Convolutional Networks (R-GCNs). This tool is specifically engineered for semi-supervised node classification tasks on directed relational graphs. It serves as a valuable resource for researchers and practitioners aiming to replicate or build upon the findings presented in the paper "Modeling Relational Data with Graph Convolutional Networks" (2017).

The implementation focuses on the entity classification aspect of relational data modeling. Users can leverage this code to experiment with R-GCNs on various datasets, including AIFB, MUTAG, BGS, and AM, as detailed in the usage instructions. The project emphasizes the importance of specific dependency versions, recommending Keras 1.2.1 and Theano 0.9.0, as newer Keras versions may disrupt the Theano sparse matrix API. While TensorFlow can be used as a backend, users should be aware of potential limitations regarding sparse matrix size.

To ensure accurate reproduction of experimental results, the repository provides clear instructions for dataset preparation and model training. It also includes guidance on configuring the Keras backend to Theano and enforcing CPU execution, which is recommended due to potential GPU memory limitations for certain experiments. The project is licensed under the MIT license, promoting open access and modification. The associated paper, cited as [1], offers a deeper theoretical understanding of the R-GCN model and its applications in modeling relational data.

This implementation is particularly useful for those working with graph-structured data where relationships between entities are crucial. It enables the application of advanced deep learning techniques to understand and classify nodes within complex relational networks. The code is publicly available on GitHub, fostering collaboration and further development within the graph neural network community.

Relational Graph Convolutional Networks 하이라이트

• Keras 기반 구현

• Relational Graph Convolutional Networks (R-GCNs)

• 준지도 학습 노드 분류

• 방향성 관계형 그래프 지원

• 개체 분류 재현을 위한 코드

• 데이터셋 준비 스크립트 포함

• 모델 학습 스크립트 제공

• 종속성 관리 가이드

• CPU 실행 강제 옵션

• MIT 라이선스

Relational Graph Convolutional Networks 시작하기

1. 1

   종속성 설치: 호환되는 Keras 및 Theano 버전을 확인한 후 'python setup.py install'을 실행합니다.

2. 2

   Keras 백엔드 구성: '~/.keras/keras.json'을 생성하여 'backend'를 'theano'로 설정합니다.

3. 3

   데이터셋 준비: 특정 데이터셋(예: aifb, mutag)에 대해 'python prepare_dataset.py -d <dataset_name>'을 실행합니다.

4. 4

   CPU 실행 강제: 학습 명령 앞에 'CUDA_VISIBLE_DEVICES='를 사용합니다.

5. 5

   모델 학습: 'python train.py -d <dataset_name> --bases <num> --hidden <num> --l2norm <value> --testing'을 실행합니다.

6. 6

   논문 결과 재현: AIFB, MUTAG, BGS 및 AM에 대한 데이터셋별 지침을 따릅니다.

7. 7

   새로운 작업에 맞게 조정: 사용자 정의 데이터셋 또는 관계형 그래프 작업 변형에 대한 스크립트를 수정합니다.

Relational Graph Convolutional Networks의 사용 사례

• 노드 분류
• 개체 분류
• 관계형 데이터 모델링
• 그래프 신경망 연구
• 그래프 기반 기계 학습

Relational Graph Convolutional Networks의 FAQ

• Relational Graph Convolutional Networks 구현의 주요 목적은 무엇인가요?

  주요 목적은 방향성 관계형 그래프에서 준지도 학습 노드 분류를 위한 Keras 기반 구현을 제공하여 연구 논문의 개체 분류 결과 재현을 가능하게 하는 것입니다.

• 이 R-GCN 구현에 권장되는 종속성은 무엇인가요?

  이 구현은 Keras 1.2.1 및 Theano 0.9.0으로 테스트되었습니다. 최신 Keras 버전은 Theano 희소 행렬 API를 손상시킬 수 있으므로 지원되지 않습니다.

• 이 R-GCN 구현에 TensorFlow를 백엔드로 사용할 수 있나요?

  예, Keras의 TensorFlow 백엔드를 사용할 수 있습니다. 그러나 Keras 1.2.1은 TensorFlow 0.11 API를 사용하며, TensorFlow를 사용하면 희소 행렬의 최대 허용 크기가 제한될 수 있습니다.

• 이 R-GCN 구현에 사용할 데이터셋을 어떻게 준비하나요?

  사용하려는 데이터셋(예: 'aifb', 'mutag')을 지정하여 'python prepare_dataset.py -d <dataset_name>' 스크립트를 실행하여 데이터셋을 준비할 수 있습니다.

• 모델이 CPU에서 실행되도록 어떻게 보장할 수 있나요?

  학습 명령 앞에 'CUDA_VISIBLE_DEVICES='를 붙여 모든 GPU 리소스를 숨김으로써 CPU 실행을 강제할 수 있습니다.

• 이 R-GCN 구현은 어떤 종류의 그래프를 지원하나요?

  이 구현은 방향성 관계형 그래프를 위해 설계되었으며, 준지도 학습 노드 분류와 같은 작업에 중점을 둡니다.

• 이 저장소에 링크 예측 작업을 위한 코드가 포함되어 있나요?

  아니요, 동일한 논문의 링크 예측 작업을 위한 코드는 별도의 저장소에서 찾을 수 있습니다: https://github.com/MichSchli/RelationPrediction.

• 이 R-GCN 구현은 어떤 라이선스로 배포되나요?

  이 구현은 MIT 라이선스로 배포됩니다.

• 실험 재현을 위해 언급된 주요 데이터셋은 무엇인가요?

  실험 재현을 위해 언급된 주요 데이터셋은 AIFB, MUTAG, BGS 및 AM입니다.

• 계산 그래프의 초기 실행에 시간이 걸리나요?

  예, Theano는 계산 그래프가 처음 실행될 때 비용이 많이 드는 컴파일 단계를 수행하며, 완료하는 데 몇 분이 걸릴 수 있습니다.