pytorch_geometric_temporal
vironment and installation
ドキュメント|外部リソース|データセット
Pytorch Geometric時間は、 Pytorch幾何学の時間的（動的）拡張ライブラリです。
ライブラリは、さまざまな動的および時間的な幾何学的な深い学習、埋め込み、およびさまざまな公開された研究論文からの時空間回帰法で構成されています。さらに、ダイナミックおよび時間グラフのための使いやすいデータセットローダー、トレインテストスプリッター、および一時的なスナフォット反復器が付属しています。このフレームワークは、当然GPUサポートを提供します。また、疫学的予測、共有経済、エネルギー生産、ウェブトラフィック管理ドメインからの多くのベンチマークデータセットが付属しています。最後に、独自のデータセットを作成することもできます。
パッケージは、CPU、シングル、および複数のGPUでのトレーニングをすぐに使用できるPytorch Lightningとよくインターフェースします。 Pytorchの幾何学的時間をPytorch Lightningで使用するこの紹介例をご覧ください。
また、注意ベースのモデルの各繰り返しモデルとノートブックの詳細な例を提供します。
ケーススタディチュートリアル
ドキュメントでは、詳細なケーススタディチュートリアルを提供します。それぞれがPytorchの幾何学的時間的機能の側面をカバーしています。
増分トレーニング：疫学的予測のケーススタディ
累積トレーニング：Webトラフィック管理のケーススタディ
引用
Pytorchの幾何学的時間的と、研究に役立つ新しいデータセットがある場合は、次の引用を追加することを検討してください。
@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 } ,
}簡単な例
Pytorchの幾何学的時間的に、動的および時間グラフのニューラルネットワークの実装が非常に簡単になります - 付随するチュートリアルを参照してください。たとえば、これは、2つの連続したグラフ畳み込みGRUセルと線形層を備えた再発グラフ畳み込みネットワークを実装するのに必要なすべてです。
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 )含まれる方法
詳細には、次の時間グラフニューラルネットワークが実装されました。
再発グラフ畳み込み
li et alからのdcrnn 。 ：拡散畳み込み回復ニューラルネットワーク：データ駆動型トラフィック予測（ICLR 2018）
Seo et alからのGconvgru 。 ：グラフ畳み込み型再発ネットワークを使用した構造化シーケンスモデリング（Iconip 2018）
Seo et alからのgconvlstm 。 ：グラフ畳み込み型再発ネットワークを使用した構造化シーケンスモデリング（Iconip 2018）
Chen et alからのGC-LSTM 。 ：GC-LSTM：動的リンク予測用のグラフ畳み込み埋め込みLSTM（CORR 2018）
Li et alからのlrgcn 。 ：時間発生グラフの経路障害の予測（KDD 2019）
Taheri et alのDygrencoder 。 ：再発モデルを使用した動的グラフの進化を表すことを学ぶ
Pareja et al。 ：EvolveGCN：動的グラフ用の進化グラフ畳み込みネットワーク
Pareja et al 。 ：EvolveGCN：動的グラフ用の進化グラフ畳み込みネットワーク
Zhao et alからのT-GCN 。 ：T-GCN：トラフィック予測のための時間グラフ畳み込みネットワーク
Zhu et alからのA3T-GCN 。 ：A3T-GCN：トラフィック予測のための注意時間グラフ畳み込みネットワーク
Bai et alからのAgcrn 。 ：トラフィック予測のための適応グラフの畳み込み再発ネットワーク（Neurips 2020）
Panagopoulos et al 。 ：パンデミック予測のためのグラフニューラルネットワークを転送（AAAI 2021）
注意集計された時間グラフ畳み込み
Yu et alからのstgcn 。 ：時空間グラフ畳み込みネットワーク：トラフィック予測のための深い学習フレームワーク（IJCAI 2018）
GuoらからのASTGCN 。 ：トラフィックフロー予測のための注意ベースの空間的グラフ畳み込みネットワーク（AAAI 2019）
Guo et alからのMstgcn 。 ：トラフィックフロー予測のための注意ベースの空間的グラフ畳み込みネットワーク（AAAI 2019）
Zheng et alのGman 。 ：gman：トラフィック予測のためのグラフマルチアテンションネットワーク（AAAI 2020）
Wu et alからのmtgnn 。 ：ドットの接続：グラフニューラルネットワークを使用した多変量時系列予測（KDD 2020）
Shi et alからの2S-Agcn 。 ：スケルトンベースのアクション認識のための2ストリーム適応グラフ畳み込みネットワーク（CVPR 2019）
Yu et alからのdnntsp 。 ：深いニューラルネットワークを使用した時間セットの予測（KDD 2020）
補助グラフ畳み込み
Yu et al。 ：時空間グラフ畳み込みネットワーク：トラフィック予測のための深い学習フレームワーク（IJCAI 2018）
li et alからのdconv 。 ：拡散畳み込み回復ニューラルネットワーク：データ駆動型トラフィック予測（ICLR 2018）
GuoらからのChebConvattention 。 ：トラフィックフロー予測のための注意ベースの空間的グラフ畳み込みネットワーク（AAAI 2019）
Bai et alからのavwgcn 。 ：トラフィック予測のための適応グラフの畳み込み再発ネットワーク（Neurips 2020）
ドキュメントにアクセスして、インストール、データセットの作成、実装されたメソッドと利用可能なデータセットの完全なリストの詳細を確認してください。クイックスタートのために、 examples/ディレクトリの例をご覧ください。
予期しないことに気付いた場合は、問題を開いてください。特定の方法がない場合は、機能リクエストを自由に開いてください。
インストール
最初にPytorchとPytorch-Geometricをインストールしてから実行します
pip install torch-geometric-temporal実行中のテスト
$ python -m pytest test
ライセンス
