gcn

กราฟเครือข่าย convolutional

นี่คือการใช้งาน tensorflow ของเครือข่ายกราฟ convolutional สำหรับงานของการจำแนกประเภท (กึ่งผู้ดูแล) ของโหนดในกราฟตามที่อธิบายไว้ในบทความของเรา:

Thomas N. Kipf, Max Welling, การจำแนกประเภทกึ่งผู้ดูแลด้วยกราฟ Convolutional Networks (ICLR 2017)

สำหรับคำอธิบายระดับสูงลองดูโพสต์บล็อกของเรา:

Thomas Kipf, Graph Convolutional Networks (2016)

การติดตั้ง

python setup.py install

ความต้องการ

• Tensorflow (> 0.12)
• Networkx

เรียกใช้การสาธิต

 cd gcn
python train.py

ข้อมูล

ในการใช้ข้อมูลของคุณเองคุณต้องให้

• เมทริกซ์ n โดย n adjacency (n คือจำนวนโหนด)
• เมทริกซ์ฟีเจอร์ N โดย D (D คือจำนวนคุณสมบัติต่อโหนด) และ
• เมทริกซ์ฉลากไบนารี N (E คือจำนวนคลาส)

ดูฟังก์ชั่น load_data() ใน utils.py สำหรับตัวอย่าง

ในตัวอย่างนี้เราโหลดข้อมูลเครือข่ายการอ้างอิง (Cora, Citeseer หรือ PubMed) ชุดข้อมูลต้นฉบับสามารถพบได้ที่นี่: http://www.cs.umd.edu/~sen/lbc-proj/lbc.html ในเวอร์ชันของเรา (ดูโฟลเดอร์ data ) เราใช้ชุดข้อมูลแยกที่จัดทำโดย https://github.com/kimiyoung/planetoid (Zhilin Yang, William W. Cohen, Ruslan Salakhutdinov, กลับมาเรียนรู้กราฟ

คุณสามารถระบุชุดข้อมูลดังนี้:

python train.py --dataset citeseer

(หรือโดยการแก้ไข train.py )

แบบจำลอง

คุณสามารถเลือกระหว่างรุ่นต่อไปนี้:

• gcn : เครือข่ายกราฟ Convolutional (Thomas N. Kipf, Max Welling, การจำแนกประเภทกึ่งผู้ดูแลด้วยกราฟ Convolutional Networks, 2016)
• gcn_cheby : Chebyshev Polynomial เวอร์ชันของเครือข่ายกราฟ convolutional ตามที่อธิบายไว้ใน (Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst, เครือข่าย Neural Convolutional บนกราฟที่มีการกรองสเปกตรัมสเปกตรัมอย่างรวดเร็ว, NIPS 2016))
• dense : Perceptron หลายชั้นพื้นฐานที่รองรับอินพุตแบบเบาบาง

การจำแนกกราฟ

เฟรมเวิร์กของเรายังรองรับการจำแนกประเภทแบทช์ที่ชาญฉลาดของอินสแตนซ์กราฟหลายตัว (มีขนาดที่แตกต่างกัน) ด้วยเมทริกซ์ adjacency แต่ละครั้ง เป็นการดีที่สุดที่จะเชื่อมต่อเมทริกซ์คุณสมบัติที่เกี่ยวข้องและสร้างเมทริกซ์บล็อก (เบาบาง) (เบาบาง) ซึ่งแต่ละบล็อกสอดคล้องกับเมทริกซ์ adjacency ของอินสแตนซ์กราฟหนึ่งอินสแตนซ์ สำหรับการรวม (ในกรณีของเอาต์พุตระดับกราฟซึ่งตรงข้ามกับเอาต์พุตระดับโหนด) จะเป็นการดีที่สุดที่จะระบุเมทริกซ์การรวมแบบง่าย ๆ ที่รวบรวมคุณสมบัติจากอินสแตนซ์กราฟที่เกี่ยวข้องตามที่แสดงด้านล่าง:

อ้างถึง

โปรดอ้างอิงกระดาษของเราหากคุณใช้รหัสนี้ในงานของคุณเอง:

 @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}
}