gcn

Redes convolucionais de gráfico

Esta é uma implementação do tensorflow de redes convolucionais de gráficos para a tarefa de classificação (semi-supervisionada) de nós em um gráfico, conforme descrito em nosso artigo:

Thomas N. Kipf, Max Welling, classificação semi-supervisionada com redes convolucionais de gráficos (ICLR 2017)

Para uma explicação de alto nível, dê uma olhada em nossa postagem no blog:

Thomas KIPF, Gráfico Convolucional Networks (2016)

Instalação

python setup.py install

Requisitos

• Tensorflow (> 0,12)
• Networkx

Execute a demonstração

 cd gcn
python train.py

Dados

Para usar seus próprios dados, você deve fornecer

• A n por n matriz de adjacência (n é o número de nós),
• A n por d matriz de recursos (d é o número de recursos por nó) e
• A n por E E Matriz de etiqueta binária (E é o número de classes).

Dê uma olhada na função load_data() em utils.py por exemplo.

Neste exemplo, carregamos dados de rede de citação (Cora, Citeseer ou PubMed). Os conjuntos de dados originais podem ser encontrados aqui: http://www.cs.umd.edu/~sen/lbc-proj/lbc.html. Em nossa versão (consulte a pasta data ), usamos divisões de dados fornecidas por https://github.com/kimiyoung/planetoid (Zhilin Yang, William W. Cohen, Ruslan Salakhutdinov, revisitando o aprendizado semi-supervisionado com gráficos, ICML 2016).

Você pode especificar um conjunto de dados da seguinte maneira:

python train.py --dataset citeseer

(ou editando train.py )

Modelos

Você pode escolher entre os seguintes modelos:

• gcn : Rede convolucional de gráficos (Thomas N. Kipf, Max Welling, classificação semi-supervisionada com redes convolucionais de gráficos, 2016)
• gcn_cheby : Versão polinomial Chebyshev da rede convolucional de gráficos, conforme descrito em (Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, redes neurais convolucionais em gráficos com filtragem espectral localizada rápida, NIPS 2016)
• dense : perceptron básico de várias camadas que suporta entradas esparsas

Classificação do gráfico

Nossa estrutura também suporta a classificação em lote de várias instâncias gráficas (de tamanho potencialmente diferente) com uma matriz de adjacência cada. É melhor concatenar as respectivas matrizes de características e construir uma matriz de bloco (esparsa)-diagonal, onde cada bloco corresponde à matriz de adjacência de uma instância do gráfico. Para agrupamento (no caso de saídas no nível do gráfico, em oposição às saídas no nível do nó), é melhor especificar uma matriz de pool simples que coleta recursos de suas respectivas instâncias gráficas, conforme ilustrado abaixo:

Citar

Cite nosso artigo se você usar este código em seu próprio trabalho:

 @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}
}