AutoGL
v0.4.0
Introdução chinesa
Um Automl Framework & Toolkit para aprendizado de máquina em gráficos.
Ativamente em desenvolvimento por @thumnlab
Sinta -se à vontade para abrir problemas ou entre em contato conosco em [email protected] se você tiver algum comentário ou sugestão!
model do módulo agora suporta dissociado para dois sub-módulos adicionais denominados encoder e decoder . Sob o design dissociado , um encoder pode ser usado para resolver todos os tipos de tarefas.O AutoGL é desenvolvido para pesquisadores e desenvolvedores conduzirem automl em conjuntos de dados e tarefas gráficos com facilidade e rapidez. Veja nossa documentação para obter informações detalhadas!
O fluxo de trabalho abaixo mostra a estrutura geral do AutoGL.
A AutoGL usa datasets para manter conjuntos de dados para aprendizado de máquina baseado em gráficos, que é baseado no conjunto de dados na biblioteca de gráficos geométricos ou profundos de Pytorch, com algumas funções adicionadas para suportar a estrutura de solucionador de automóveis.
Diferentes tarefas de aprendizado de máquina baseadas em gráficos são tratadas por diferentes AutoGL solvers , que utilizam cinco módulos principais para resolver automaticamente as tarefas dadas, a saber, auto feature engineer , neural architecture search , auto model , hyperparameter optimization e auto ensemble .
Atualmente, os seguintes algoritmos são suportados no AutoGL:
| Engenheiro de recursos | Modelo | Nas | HPO | Conjunto |
| Geradores Graphlets Eigengnn mais ... Seletores Sefilterconstant GBDT Gráfico NETLSD Nxaverageclustering mais ... | Codificadores HOMO GCNENCODER Gatencoder SageEncoder Ginencoder Decodificadores LogSoftMaxDecoder DotproductDecoder SumpoolMlpDecoder Jksumpooldecoder | Algoritmos Aleatório Rl Evolução Gasso mais ... Espaços Singlepath Graphnas Automático mais ... Estimadores OneShot Arranhar | Grade Aleatório Recozimento Bayes Cames Mocames Quase aleatório TPE Autone | Votação Empilhamento |
Este kit de ferramentas também serve como uma estrutura para os usuários implementarem e testam seus próprios modelos de aprendizado de máquina de automóveis ou de automóveis.
Certifique -se de atender aos seguintes requisitos antes de instalar a AutoGL.
Python> = 3.6.0
Pytorch (> = 1.6.0)
Consulte https://pytorch.org/ para instalação.
Back -end da biblioteca de gráficos
Você precisará de Pytorch Geométrico (PYG) ou da Biblioteca de Gráficos Deep (DGL) como back -end. Você pode selecionar um back -end aqui se instalar os dois.
3.1 Pytorch Geométrico (> = 1.7.0)
Consulte https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/ para instalação.
3.2 Biblioteca de gráficos profundos (> = 0,7.0)
Consulte https://dgl.ai/ para instalação.
Execute o seguinte comando para instalar este pacote através pip .
pip install autogl
Execute o seguinte comando para instalar este pacote a partir da fonte.
git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install
Se você é um desenvolvedor do projeto AutoGL, use o seguinte comando para criar um link suave, poderá modificar o pacote local sem instalá -los novamente.
pip install -e .
Consulte nossa documentação para ver a documentação detalhada.
Você também pode fazer a documentação localmente. Primeiro, instale o time de Esfinge e Sphinx-Rtd:
pip install -U Sphinx
pip install sphinx-rtd-theme
Em seguida, faça uma documentação HTML por:
cd docs
make clean && make html
A documentação será gerada automaticamente em docs/_build/html
Cite nosso papel da seguinte forma se você achar útil nosso código:
@inproceedings{guan2021autogl,
title={Auto{GL}: A Library for Automated Graph Learning},
author={Chaoyu Guan and Ziwei Zhang and Haoyang Li and Heng Chang and Zeyang Zhang and Yijian Qin and Jiyan Jiang and Xin Wang and Wenwu Zhu},
booktitle={ICLR 2021 Workshop on Geometrical and Topological Representation Learning},
year={2021},
url={https://openreview.net/forum?id=0yHwpLeInDn}
}
Você também pode achar útil nosso artigo de pesquisa:
@article{zhang2021automated,
title={Automated Machine Learning on Graphs: A Survey},
author={Zhang, Ziwei and Wang, Xin and Zhu, Wenwu},
booktitle = {Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, {IJCAI-21}},
year={2021},
note={Survey track}
}
Seguimos a licença do Apache em toda a base de código da v0.2.
