gcn

График сверточные сети

Это тензорфлоу реализация графических сверточных сетей для задачи (полупрофильного) классификации узлов на графике, как описано в нашей статье:

Томас Н. Кипф, Макс Веллинг, Полуопервизированная классификация с графическими сверточными сетями (ICLR 2017)

Для объяснения высокого уровня посмотрите на наш пост в блоге:

Томас Кипф, Графические сверточные сети (2016)

Установка

python setup.py install

Требования

• Tensorflow (> 0,12)
• NetworkX

Запустить демонстрацию

 cd gcn
python train.py

Данные

Чтобы использовать свои собственные данные, вы должны предоставить

• n n по n смежному матрицу (n - количество узлов),
• матрица функции n by d (D - это количество функций на узел), и
• n n by E двоичная матрица метки (e - количество классов).

Посмотрите на функцию load_data() в utils.py для примера.

В этом примере мы загружаем данные сети цитирования (CORA, Citeseer или PubMed). Оригинальные наборы данных можно найти здесь: http://www.cs.umd.edu/~sen/lbc-proj/lbc.html. В нашей версии (см. Папку data ) мы используем разделения наборов данных, предоставленные https://github.com/kimiyoung/planetoid (Zhilin Yang, William W. Cohen, Ruslan Salakhutdinov, пересмотр полусреднего обучения с графическими вставками, ICML 2016).

Вы можете указать набор данных следующим образом:

python train.py --dataset citeseer

(или путем редактирования train.py )

Модели

Вы можете выбрать между следующими моделями:

• gcn : Графическая сверточная сеть (Томас Н. Кипф, Макс Веллинг, Полуопроверленная классификация с графическими сверточными сетями, 2016)
• gcn_cheby : Chebyshev Molynomial Version of Graph Convolutional Network, как описано в (Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, Коламенные нейронные сети на графиках с быстрой локализованной спектральной фильтрацией, NIPS 2016)
• dense : базовый многослойный персептрон, который поддерживает редкие входы

График классификация

Наша структура также поддерживает пакетную классификацию нескольких экземпляров графика (потенциально различного размера) с матрицей смежности. Лучше всего объединить соответствующие матрицы функций и создать (редкую) блочную дидиагональную матрицу, где каждый блок соответствует матрице смежности одного экземпляра графика. Для объединения (в случае выходов на уровне графика, в отличие от выходов на уровне узлов) лучше всего указать простую матрицу пула, которая собирает функции из их соответствующих экземпляров графиков, как показано ниже:

Цитировать

Пожалуйста, цитируйте нашу статью, если вы используете этот код в своей собственной работе:

 @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}
}