pytorch_geometric_temporal 다운로드 pytorch_geometric

pytorch_geometric_temporal

파이썬

vironment and installation

다운로드

문서 | 외부 자원 | 데이터 세트

Pytorch 기하학적 시간은 Pytorch 기하학을위한 시간적 (동적) 확장 라이브러리입니다.

이 라이브러리는 다양한 출판 된 연구 논문의 다양한 역동적이고 시간적 기하학적 딥 러닝, 임베딩 및 시공간 회귀 방법으로 구성됩니다. 또한 사용하기 쉬운 데이터 세트 로더, 트레인 테스트 스플리터 및 동적 및 시간적 그래프를위한 시간적 Snaphot Iterator가 제공됩니다. 프레임 워크는 자연스럽게 GPU 지원을 제공합니다. 또한 역학 예측, 경제 공유, 에너지 생산 및 웹 트래픽 관리 영역의 여러 벤치 마크 데이터 세트가 제공됩니다. 마지막으로, 자신의 데이터 세트를 만들 수도 있습니다.

패키지는 Pytorch Lightning과 잘 인터페이스하여 CPU, 단일 및 다중 GPU에 대한 교육을받을 수 있습니다. Pytorch Lightning과 함께 Pytorch 기하학적 시간을 사용하는이 입문 예를 살펴보십시오.

또한주의 기반 모델을위한 각각의 반복 모델 및 노트북에 대한 자세한 예를 제공합니다.

사례 연구 자습서

우리는 문서에 심도있는 사례 연구 자습서를 제공하며, 각각은 Pytorch 기하학적 시간의 기능의 측면을 다룹니다.

증분 훈련 : 역학 예측 사례 연구

누적 교육 : 웹 트래픽 관리 사례 연구

인용

Pytorch 기하학적 시간 과 새로운 데이터 세트가 연구에 유용한 경우 다음 인용을 추가하십시오.

 @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 } ,
}

간단한 예

Pytorch 기하학적 시간은 동적 및 시간적 그래프 신경망 구현을 매우 쉽게 구현합니다 - 함께 제공되는 자습서를 참조하십시오. 예를 들어, 이것은 두 개의 연속 그래프 컨볼 루션 GRU 셀과 선형 레이어를 갖춘 재발 그래프 컨볼 루션 네트워크를 구현하는 데 필요한 전부입니다.

 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 )

방법 포함

자세히, 다음의 시간 그래프 신경망이 구현되었다.

반복 그래프 컨볼 루션

Li et al . : 확산 컨볼 루션 반복 신경 네트워크 : 데이터 중심 트래픽 예측 (ICLR 2018)
Seo et al. 의 Gconvgru. : 그래프 컨볼 루션 반복 네트워크를 사용한 구조화 된 시퀀스 모델링 (Iconip 2018)
Seo et al. 의 GCONVLSTM. : 그래프 컨볼 루션 반복 네트워크를 사용한 구조화 된 시퀀스 모델링 (Iconip 2018)
Chen et al. 의 GC-LSTM . : GC-LSTM : 동적 링크 예측을위한 그래프 컨볼 루션 임베디드 LSTM (CORR 2018)
Li et al. 의 LRGCN . : 시간 진화 그래프에서 경로 고장 예측 (KDD 2019)
Taheri et al. 의 Dygrencoder. : 재발 성 모델로 동적 그래프의 진화를 나타내는 학습
Pareja et al. : EvolveGCN : 동적 그래프를위한 진화하는 그래프 컨볼 루션 네트워크
Pareja et al. : EvolveGCN : 동적 그래프를위한 진화하는 그래프 컨볼 루션 네트워크
Zhao et al. 의 T-GCN. : T-GCN : 트래픽 예측을위한 시간적 그래프 컨볼 루션 네트워크
Zhu 등 의 A3T-GCN . : A3T-GCN : 트래픽 예측을위한주의 시간 그래프 컨볼 루션 네트워크
Bai et al. 의 Agcrn . : 교통 예측을위한 적응 그래프 컨볼 루션 반복 네트워크 (Neurips 2020)
Panagopoulos et al. : 전염병 예측을위한 그래프 신경망 전송 (AAAI 2021)

집계 된 시간적 그래프 컨볼 루션

Yu et al. 의 STGCN. : 시공간 그래프 컨볼 루션 네트워크 : 트래픽 예측을위한 딥 러닝 프레임 워크 (IJCAI 2018)
Guo et al. 의 ASTGCN . : 트래픽 흐름 예측을위한주의 기반 공간-시간 그래프 컨볼 루션 네트워크 (AAAI 2019)
Guo et al. 의 MSTGCN . : 트래픽 흐름 예측을위한주의 기반 공간-시간 그래프 컨볼 루션 네트워크 (AAAI 2019)
Zheng et al. 의 Gman . : GMAN : 트래픽 예측을위한 그래프 다중 출시 네트워크 (AAAI 2020)
Wu et al. 의 mtgnn. : 도트 연결 : 그래프 신경망과의 다변량 시계열 예측 (KDD 2020)
Shi et al. 의 2S-AGCN . : 골격 기반 액션 인식을위한 2 스트림 적응 그래프 컨볼 루션 네트워크 (CVPR 2019)
Yu et al. 의 DNNTSP . : 깊은 신경 네트워크를 사용하여 시간 세트 예측 (KDD 2020)

보조 그래프 컨볼 루션

Yu et al. : 시공간 그래프 컨볼 루션 네트워크 : 트래픽 예측을위한 딥 러닝 프레임 워크 (IJCAI 2018)
Li et al . : 확산 컨볼 루션 반복 신경 네트워크 : 데이터 중심 트래픽 예측 (ICLR 2018)
Guo et al. 의 ChebConvattention. : 트래픽 흐름 예측을위한주의 기반 공간-시간 그래프 컨볼 루션 네트워크 (AAAI 2019)
Bai et al. 의 AVWGCN . : 교통 예측을위한 적응 그래프 컨볼 루션 반복 네트워크 (Neurips 2020)