pytorch_geometric_temporal download - pytorch_geometric

pytorch_geometric_temporal

Python

vironment and installation

Herunterladen

Dokumentation | Externe Ressourcen | Datensätze

Die geometrische Pytorch -Temporal ist eine zeitliche (dynamische) Erweiterungsbibliothek für pytorch geometrische.

Die Bibliothek besteht aus verschiedenen dynamischen und zeitlichen geometrischen Deep-Lern-, Einbettungs- und räumlich-zeitlichen Regressionsmethoden aus verschiedenen veröffentlichten Forschungsarbeiten. Darüber hinaus verfügt es über einen benutzerfreundlichen Datensatzlader, einen Zug-Test-Splitter und einen temporalen SNAPHOT-Iterator für dynamische und zeitliche Graphen. Der Rahmen bietet natürlich GPU -Unterstützung. Es enthält auch eine Reihe von Benchmark -Datensätzen aus den domänen epidemologischen Prognosen, gemeinsamen Wirtschaftlichkeit, Energieerzeugung und Webverkehrsmanagement. Schließlich können Sie auch eigene Datensätze erstellen.

Das Paket ist gut mit dem Pytorch-Blitz mit, das das Training auf CPUs, Einzel- und Mehrfach-GPUs außerhalb des Boxs ermöglicht. Schauen Sie sich dieses einleitende Beispiel für die Verwendung von Pytorch Geometric Temporal mit Pytorch Lightning an.

Wir geben auch detaillierte Beispiele für jedes der wiederkehrenden Modelle und Notizbücher für die aufmerksamkeitsbasierten.

Fallstudien -Tutorials

Wir bieten in der Dokumentation eingehende Fallstudien-Tutorials, jeweils einen Aspekt der Funktionalität des geometrischen Pytorch-Geometrischen Temporals.

Inkrementelles Training : Fallstudie epidemiologischer Prognose

Kumulative Schulung : Fallstudie für Webverkehrsmanagement

Zitieren

Wenn Sie pytorch geometrische zeitliche und die neuen Datensätze in Ihrer Forschung nutzen, sollten Sie das folgende Zitat hinzufügen:

 @inproceedings { rozemberczki2021pytorch ,
               author = { Benedek Rozemberczki and Paul Scherer and Yixuan He and George Panagopoulos and Alexander Riedel and Maria Astefanoaei and Oliver Kiss and Ferenc Beres and Guzman Lopez and Nicolas Collignon and Rik Sarkar } ,
               title = { {PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models} } ,
               year = { 2021 } ,
               booktitle = { Proceedings of the 30th ACM International Conference on Information and Knowledge Management } ,
               pages = { 4564–4573 } ,
}

Ein einfaches Beispiel

PytOrch Geometrisches Temporal macht die Implementierung dynamischer und zeitlicher Diagramm -neuronaler Netzwerke ganz einfach - siehe das dazugehörige Tutorial. Dies ist beispielsweise alles, was es braucht, um ein wiederkehrendes Graph -Faltungsnetzwerk mit zwei aufeinanderfolgenden Graphen -Faltungs -Gru -Zellen und einer linearen Schicht zu implementieren:

 import torch
import torch . nn . functional as F
from torch_geometric_temporal . nn . recurrent import GConvGRU

class RecurrentGCN ( torch . nn . Module ):

    def __init__ ( self , node_features , num_classes ):
        super ( RecurrentGCN , self ). __init__ ()
        self . recurrent_1 = GConvGRU ( node_features , 32 , 5 )
        self . recurrent_2 = GConvGRU ( 32 , 16 , 5 )
        self . linear = torch . nn . Linear ( 16 , num_classes )

    def forward ( self , x , edge_index , edge_weight ):
        x = self . recurrent_1 ( x , edge_index , edge_weight )
        x = F . relu ( x )
        x = F . dropout ( x , training = self . training )
        x = self . recurrent_2 ( x , edge_index , edge_weight )
        x = F . relu ( x )
        x = F . dropout ( x , training = self . training )
        x = self . linear ( x )
        return F . log_softmax ( x , dim = 1 )

Methoden enthalten

Im Detail wurden implementiert, dass die folgenden temporalen Diagramme -Netzwerke implementiert wurden.

Wiederkehrende Graphen -Konvolutionen

DCRNN von Li et al. : Diffusion Faltungswiederholungsnetzwerk: Datenorientierte Verkehrsprognose (ICLR 2018)
GconvGru von Seo et al. : Strukturierte Sequenzmodellierung mit Graph Faltungsnetzwerken (ICONIP 2018)
Gconvlstm von seo et al. : Strukturierte Sequenzmodellierung mit Graph Faltungsnetzwerken (ICONIP 2018)
GC-LSTM von Chen et al. : GC-LSTM: Graph Faltung eingebettete LSTM für die dynamische Verbindungsvorhersage (Corr 2018)
LRGCN von Li et al. : Vorhersage des Pfadversagens in zeitlich entwickelnden Graphen (KDD 2019)
Dygrencoder von Taheri et al. : Lernen, die Entwicklung dynamischer Graphen mit wiederkehrenden Modellen darzustellen
Evolvegcnh von Pareja et al. : Evolvegcn: Entwicklung von Graphen -Faltungsnetzwerken für dynamische Graphen
Evolvegcno von Pareja et al. : Evolvegcn: Entwicklung von Graphen -Faltungsnetzwerken für dynamische Graphen
T-GCN von Zhao et al. : T-GCN: Ein zeitliches Graph-Faltungsnetz für die Verkehrsvorhersage
A3T-GCN von Zhu et al. : A3T-GCN: Aufmerksamkeitszeitaler Graphenverarbeitung für die Verkehrsprognose
Agcrn von Bai et al. : Adaptive Graph Faltungsnetzwerk für Verkehrsprognosen (Neurips 2020)
MPNN LSTM von Panagopoulos et al. : Transfergraphen neuronale Netze für die pandemische Prognose (AAAI 2021)

Achtung aggregierter zeitlicher Graphen -Konvolutionen

STGCN von Yu et al. : Räumlich-zeitliche Graphen-Faltungsnetzwerke: Ein Deep-Learning-Rahmen für die Verkehrsprognose (IJCAI 2018)
ASTGCN von Guo et al. : Aufmerksamkeitsbasierte räumlich-zeitliche Graphen-Faltungsnetzwerke für den Verkehrsflussprognosen (AAAI 2019)
MSTGCN von Guo et al. : Aufmerksamkeitsbasierte räumlich-zeitliche Graphen-Faltungsnetzwerke für den Verkehrsflussprognosen (AAAI 2019)
Gman von Zheng et al. : GMAN: Ein Grafik-Multi-Attention-Netzwerk für die Verkehrsvorhersage (AAAI 2020)
Mtgnn von Wu et al. : Verbinden der Punkte: Multivariate Zeitreihenprognose mit Grafik Neuronal Networks (KDD 2020)
2S-Agcn von Shi et al. : Zwei-Stream-Graph-Faltungsnetzwerke für Skelett-basierte Aktionserkennung (CVPR 2019)
Dnntsp von Yu et al. : Vorhersage zeitlicher Sets mit tiefen neuronalen Netzwerken (KDD 2020)

Auxiliary Graph Convolutions

Temporalconv von Yu et al. : Räumlich-zeitliche Graphen-Faltungsnetzwerke: Ein Deep-Learning-Rahmen für die Verkehrsprognose (IJCAI 2018)
DCONV von Li et al. : Diffusion Faltungswiederholungsnetzwerk: Datenorientierte Verkehrsprognose (ICLR 2018)
Chebconvattention von Guo et al. : Aufmerksamkeitsbasierte räumlich-zeitliche Graphen-Faltungsnetzwerke für den Verkehrsflussprognosen (AAAI 2019)
Avwgcn von Bai et al. : Adaptive Graph Faltungsnetzwerk für Verkehrsprognosen (Neurips 2020)

Besuchen Sie unsere Dokumentation, um mehr über die Installation, die Erstellung von Datensätzen und eine vollständige Liste der implementierten Methoden und verfügbaren Datensätze zu erfahren. Schauen Sie sich zum schnellen Start die Beispiele in den examples/ Verzeichnissen an.

Wenn Sie etwas Unerwartetes bemerken, öffnen Sie bitte ein Problem. Wenn Ihnen eine bestimmte Methode fehlt, können Sie eine Funktionsanforderung öffnen.

Installation

Installieren Sie zuerst Pytorch und Pytorch-Geometric und fahren Sie dann aus