PyTorch Geometric Signed Directed: A Software Package on Graph Neural Networks for Signed and Directed Graphs

要約

ネットワークは、多くの実世界のアプリケーション (信頼/不信関係をエンコードするソーシャル ネットワーク、時系列データから生じる相関ネットワークなど) に遍在しています。
多くのネットワークは署名付きネットワークか有向ネットワーク、またはその両方ですが、署名ネットワークと有向ネットワーク用に特別に設計されたグラフ ニューラル ネットワーク (GNN) には統合されたソフトウェア パッケージが不足しています。
このペーパーでは、このギャップを埋めるソフトウェア パッケージである PyTorch Geometric Signed Directed (PyGSD) を紹介します。
その過程で、特定のタスクにどの方法を選択すべきかについての洞察を提供することを目的として、実装されたメソッドを実験によって評価します。
深層学習フレームワークは、使いやすい GNN モデル、合成データと現実世界のデータ、さらにタスク固有の評価メトリクスと、符号付きネットワークと有向ネットワークの損失関数で構成されています。
PyG の拡張ライブラリとして、私たちが提案するソフトウェアは、オープンソース リリース、詳細なドキュメント、継続的インテグレーション、単体テスト、コード カバレッジ チェックによって保守されています。
ライブラリの GitHub リポジトリは https://github.com/SherylHYX/pytorch_geometric_signed_directed です。

要約(オリジナル)

Networks are ubiquitous in many real-world applications (e.g., social networks encoding trust/distrust relationships, correlation networks arising from time series data). While many networks are signed or directed, or both, there is a lack of unified software packages on graph neural networks (GNNs) specially designed for signed and directed networks. In this paper, we present PyTorch Geometric Signed Directed (PyGSD), a software package which fills this gap. Along the way, we evaluate the implemented methods with experiments with a view to providing insights into which method to choose for a given task. The deep learning framework consists of easy-to-use GNN models, synthetic and real-world data, as well as task-specific evaluation metrics and loss functions for signed and directed networks. As an extension library for PyG, our proposed software is maintained with open-source releases, detailed documentation, continuous integration, unit tests and code coverage checks. The GitHub repository of the library is https://github.com/SherylHYX/pytorch_geometric_signed_directed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google