gcn

グラフ畳み込みネットワーク

これは、私たちの論文で説明されているように、グラフ内のノードの（半監視）分類のタスクのためのグラフ畳み込みネットワークのテンソルフロー実装です。

Thomas N. Kipf、Max Welling、Graph Convolution Networksを使用した半監視分類（ICLR 2017）

高レベルの説明については、ブログ投稿をご覧ください。

Thomas KIPF、グラフ畳み込みネットワーク（2016）

インストール

python setup.py install

要件

• Tensorflow（> 0.12）
• NetworkX

デモを実行します

 cd gcn
python train.py

データ

独自のデータを使用するには、提供する必要があります

• n by n隣接マトリックス（nはノードの数）、
• n by D機能マトリックス（Dはノードあたりの機能の数）、および
• n by Eバイナリラベルマトリックス（Eはクラスの数）。

例として、 utils.pyのload_data()関数をご覧ください。

この例では、引用ネットワークデータ（Cora、Citeseer、またはPubMed）をロードします。元のデータセットは、http：//www.cs.umd.edu/~sen/lbc-proj/lbc.htmlにあります。バージョン（ dataフォルダーを参照）では、https://github.com/kimiyoung/planetoid（Zhilin Yang、William W. Cohen、Ruslan Salakhutdinovが提供するデータセットスプリットを使用します。

次のようにデータセットを指定できます。

python train.py --dataset citeseer

（またはtrain.pyを編集することで）

モデル

次のモデルから選択できます。

• gcn ：グラフ畳み込みネットワーク（Thomas N. KIPF、Max Welling、Graph Convolution Networksを使用した半監視分類、2016年）
• gcn_cheby ：Chebyshev Polynomialバージョングラフ畳み込みネットワークのバージョン（MichaëlDefferrard、Xavier Bresson、Pierre Vandergheynst、高速局在スペクトルフィルタリング付きグラフ上の畳み込みニューラルネットワーク、NIPS 2016）
• dense ：まばらな入力をサポートする基本的な多層パーセプトロン

グラフ分類

私たちのフレームワークは、それぞれ隣接するマトリックスを使用して（潜在的に異なるサイズの）複数のグラフインスタンスのバッチごとの分類もサポートしています。それぞれの特徴マトリックスを連結し、各ブロックが1つのグラフインスタンスの隣接マトリックスに対応する（スパース）ブロック対角マトリックスを構築することをお勧めします。プーリングの場合（ノードレベルの出力とは対照的にグラフレベルの出力の場合）、以下に示すように、それぞれのグラフインスタンスから機能を収集する単純なプーリングマトリックスを指定することをお勧めします。

引用

あなたがあなた自身の仕事でこのコードを使用している場合、私たちの論文を引用してください：

 @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}
}