CapsGNN

CAPSGNN

胶囊图神经网络的Pytorch实现（ICLR 2019）。

抽象的

从图形神经网络（GNN）中学到的高质量节点嵌入已应用于广泛的基于节点的应用程序，其中一些已实现了最先进的（SOTA）性能。但是，当应用从GNN中学到的节点嵌入以生成图形嵌入时，标量节点表示不足以有效地保留节点/图形属性，从而导致次优的图形嵌入。受胶囊神经网络（CAPSNET）的启发，我们提出了胶囊图神经网络（CAPSGNN），该网络采用胶囊的概念来解决现有的基于GNN的基于GNN的图形嵌入算法中的弱点。通过以胶囊形式提取节点特征，可以利用路由机制在图级别捕获重要信息。结果，我们的模型为每个图生成多个嵌入，以从不同方面捕获图形属性。 CAPSGNN中包含的注意模块用于处理各种尺寸的图形，这也使模型可以专注于图的关键部分。我们对10个图形结构化数据集进行了广泛的评估表明，CAPSGNN具有强大的机制，可以通过数据驱动来捕获整个图的宏观特性。根据新仪器，它在几个图形分类任务上的其他SOTA技术优于其他SOTA技术。

该存储库提供了CAPSGNN的Pytorch实现，如本文所述：

胶囊图神经网络。 Zhang Xinyi，Lihui Chen。 ICLR，2019年。[纸]

适用于[此处]的核心胶囊神经网络实现。

要求

代码库在Python 3.5.2中实现。用于开发的包装版本略低于下方。

 networkx          2.4
tqdm              4.28.1
numpy             1.15.4
pandas            0.23.4
texttable         1.5.0
scipy             1.1.0
argparse          1.1.0
torch             1.1.0
torch-scatter     1.4.0
torch-sparse      0.4.3
torch-cluster     1.4.5
torch-geometric   1.3.2
torchvision       0.3.0

数据集

该代码可从输入文件夹中训练每个图作为JSON的训练。用于测试的图表也存储为JSON文件。每个节点ID和节点标签都必须从0索引。字典的键是存储的字符串，以使JSON序列化成为可能。

每个JSON文件都有以下键值结构：

 { "edges" : [ [ 0 , 1 ] , [ 1 , 2 ] , [ 2 , 3 ] , [ 3 , 4 ] ] ,
 "labels" : { "0" : "A" , "1" : "B" , "2" : "C" , "3" : "A" , "4" : "B" } ,
 "target" : 1 }

** edges **键具有一个边缘列表值，该值降低了连接结构。 **标签**键具有每个节点的标签，该标签被存储为词典 - 在此嵌套词典标签中是值，节点标识符是键。 ** target **密钥具有整数值，即类成员资格。

输出

预测保存在“输出/”目录中。每个嵌入都有一个带有图标识符的标题和列。最后，预测由标识符列对。

选项

训练capsgnn模型由`src/main.py`脚本处理，该脚本提供以下命令行参数。

输入和输出选项

  --training-graphs   STR    Training graphs folder.      Default is `input/train/`.
  --testing-graphs    STR    Testing graphs folder.       Default is `input/test/`.
  --prediction-path   STR    Output predictions file.     Default is `output/watts_predictions.csv`.

模型选项

  --epochs                      INT     Number of epochs.                  Default is 100.
  --batch-size                  INT     Number fo graphs per batch.        Default is 32.
  --gcn-filters                 INT     Number of filters in GCNs.         Default is 20.
  --gcn-layers                  INT     Number of GCNs chained together.   Default is 2.
  --inner-attention-dimension   INT     Number of neurons in attention.    Default is 20.  
  --capsule-dimensions          INT     Number of capsule neurons.         Default is 8.
  --number-of-capsules          INT     Number of capsules in layer.       Default is 8.
  --weight-decay                FLOAT   Weight decay of Adam.              Defatuls is 10^-6.
  --lambd                       FLOAT   Regularization parameter.          Default is 0.5.
  --theta                       FLOAT   Reconstruction loss weight.        Default is 0.1.
  --learning-rate               FLOAT   Adam learning rate.                Default is 0.01.

例子

以下命令学习模型并保存预测。在默认数据集上训练模型：

$ python src/main.py

训练100个时期的CAPSGNNN模型。

$ python src/main.py --epochs 100

更改批处理大小。

$ python src/main.py --batch-size 128

---

执照

• GNU许可证