gcn

그래프 컨볼 루션 네트워크

이것은 논문에 설명 된대로 그래프에서 노드의 (반 감독) 분류 작업을위한 그래프 컨볼 루션 네트워크의 텐서 플로 구현입니다.

Thomas N. KIPF, Max Welling, 그래프 컨볼 루션 네트워크를 통한 반 감독 분류 (ICLR 2017)

높은 수준의 설명을 위해 블로그 게시물을 살펴보십시오.

Thomas KIPF, 그래프 컨볼 루션 네트워크 (2016)

설치

python setup.py install

요구 사항

• 텐서 플로우 (> 0.12)
• 네트워크

데모를 실행하십시오

 cd gcn
python train.py

데이터

자신의 데이터를 사용하려면

• n neathency 매트릭스에 의한 n (n은 노드 수),
• an n by d feature matrix (d는 노드 당 기능 수) 및
• e 바이너리 레이블 매트릭스에 의한 n (e는 클래스 수).

utils.py 에서 load_data() 함수를 예로 들어보십시오.

이 예에서는 인용 네트워크 데이터 (Cora, Citeseer 또는 PubMed)를로드합니다. 원래 데이터 세트는 여기에서 찾을 수 있습니다 : http://www.cs.umd.edu/~sen/lbc-proj/lbc.html. 당사의 버전 ( data 폴더 참조)에서는 https://github.com/kimiyoung/planetoid (Zhilin Yang, William W. Cohen, Ruslan Salakhutdinov, ICML 2016)를 사용한 반 감독 학습을 다시 방문 함)에서 제공하는 데이터 세트 스플릿을 사용합니다.

다음과 같이 데이터 세트를 지정할 수 있습니다.

python train.py --dataset citeseer

(또는 train.py 편집하여)

모델

다음 모델 중에서 선택할 수 있습니다.

• gcn : 그래프 컨볼 루션 네트워크 (Thomas N. KIPF, Max Welling, Graph Convolutional Networks를 통한 반 감독 분류, 2016)
• gcn_cheby : Graph Convolutional Network의 Chebyshev 다항식 버전 (Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, 빠른 국소화 된 스펙트럼 필터링, Nips 2016이있는 그래프의 Convolutional Neural Networks에 설명되어 있습니다.
• dense : 희소 입력을 지원하는 기본 다층 퍼셉트론

그래프 분류

당사의 프레임 워크는 또한 인접성 행렬을 갖춘 다중 그래프 인스턴스 (잠재적으로 다른 크기)의 배치 현장 분류를 지원합니다. 각 블록이 하나의 그래프 인스턴스의 인접 매트릭스에 해당하는 각각의 특징 행렬을 연결하고 (스파 스) 블록-다이어고 날 행렬을 구축하는 것이 가장 좋습니다. 풀링의 경우 (노드 레벨 출력이 아닌 그래프 레벨 출력의 경우) 아래 그림과 같이 해당 그래프 인스턴스에서 기능을 수집하는 간단한 풀링 매트릭스를 지정하는 것이 가장 좋습니다.

인용문

이 코드를 자신의 작업에서 사용하는 경우 다음과 같이 우리의 논문을 인용하십시오.

 @inproceedings{kipf2017semi,
  title={Semi-Supervised Classification with Graph Convolutional Networks},
  author={Kipf, Thomas N. and Welling, Max},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2017}
}