論文の概要: pyGSL: A Graph Structure Learning Toolkit

• arxiv url: http://arxiv.org/abs/2211.03583v1
• Date: Mon, 7 Nov 2022 14:23:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:59:51.026138
• Title: pyGSL: A Graph Structure Learning Toolkit
• Title（参考訳）: pyGSL: グラフ構造学習ツールキット
• Authors: Max Wasserman, Gonzalo Mateos
• Abstract要約: pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
• 参考スコア（独自算出の注目度）: 14.000763778781547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce pyGSL, a Python library that provides efficient implementations of state-of-the-art graph structure learning models along with diverse datasets to evaluate them on. The implementations are written in GPU-friendly ways, allowing one to scale to much larger network tasks. A common interface is introduced for algorithm unrolling methods, unifying implementations of recent state-of-the-art techniques and allowing new methods to be quickly developed by avoiding the need to rebuild the underlying unrolling infrastructure. Implementations of differentiable graph structure learning models are written in PyTorch, allowing us to leverage the rich software ecosystem that exists e.g., around logging, hyperparameter search, and GPU-communication. This also makes it easy to incorporate these models as components in larger gradient based learning systems where differentiable estimates of graph structure may be useful, e.g. in latent graph learning. Diverse datasets and performance metrics allow consistent comparisons across models in this fast growing field. The full code repository can be found on https://github.com/maxwass/pyGSL.
• Abstract（参考訳）: 我々は、PythonライブラリpyGSLを紹介し、最新のグラフ構造学習モデルの効率的な実装と、それらを評価するための多様なデータセットを提供する。 実装はGPUフレンドリな方法で書かれており、より大きなネットワークタスクにスケールすることができる。 アルゴリズムアンロール法では,最新の最先端技術の実装を統一し,基盤となるアンロールインフラストラクチャの再構築を回避して,新たな手法を迅速に開発可能にする共通インターフェースが導入された。 微分可能なグラフ構造学習モデルの実装はPyTorchで記述されており、ロギング、ハイパーパラメータサーチ、GPU通信などに存在するリッチなソフトウェアエコシステムを活用することができる。 これはまた、グラフ構造の微分可能な推定値が有用である、例えば潜時グラフ学習において、これらのモデルをより大きな勾配に基づく学習システムに組み込むのを容易にする。 さまざまなデータセットとパフォーマンスメトリクスは、この急成長分野におけるモデル間で一貫した比較を可能にする。 完全なコードリポジトリはhttps://github.com/maxwass/pyGSLにある。

関連論文リスト

• GraphStorm: all-in-one graph machine learning framework for industry applications [75.23076561638348]
  GraphStormはスケーラブルなグラフ構築、グラフモデルのトレーニング、推論のためのエンドツーエンドソリューションである。 GraphStormのすべてのコンポーネントは数十億のノードを持つグラフ上で動作でき、コードを変更することなく、モデルのトレーニングと推論を異なるハードウェアにスケールすることができる。 GraphStormは、2023年5月にリリースされて以来、数十億以上の業界アプリケーションで使われ、デプロイされてきた。
  論文  参考訳（メタデータ） (2024-06-10T04:56:16Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• UGSL: A Unified Framework for Benchmarking Graph Structure Learning [19.936173198345053]
  統合フレームワークを用いたグラフ構造学習のためのベンチマーク手法を提案する。 我々のフレームワークはUnified Graph Structure Learning (UGSL)と呼ばれ、既存のモデルを1つのモデルに再構成する。 我々の結果は、この領域における異なる方法の明確かつ簡潔な理解と、その強みと弱みを提供する。
  論文  参考訳（メタデータ） (2023-08-21T14:05:21Z)
• A Framework for Large Scale Synthetic Graph Dataset Generation [2.248608623448951]
  この研究は、データセットをプロダクションサイズのグラフにスケールするスケーラブルな合成グラフ生成ツールを提案する。 このツールは、研究者にリリース可能なプロプライエタリなデータセットから、一連のパラメトリックモデルを学ぶ。 一連のデータセットにまたがるフレームワークの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-04T22:41:33Z)
• Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
  ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。 我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。 特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
  論文  参考訳（メタデータ） (2022-06-15T18:20:01Z)
• Benchpress: A Scalable and Versatile Workflow for Benchmarking Structure Learning Algorithms [1.7188280334580197]
  確率的グラフィカルモデルは、データ生成メカニズムをモデル化するための一般的なアプローチである。 我々は、スケーラブルで再現性があり、プラットフォームに依存しないベンチマークを作成するために、Benchpressという新しいSnakemakeワークフローを提案する。 ベイジアンネットワークを5つの典型的なデータシナリオで学習するためのこのワークフローの適用性を実証する。
  論文  参考訳（メタデータ） (2021-07-08T14:19:28Z)
• DIG: A Turnkey Library for Diving into Graph Deep Learning Research [39.58666190541479]
  DIG: Dive into Graphsは研究指向のライブラリで、いくつかの高度なタスクで共通のグラフ深層学習アルゴリズムを統合および統合しています。 それぞれの方向に対して、データインターフェース、共通アルゴリズム、評価メトリクスの統合実装を提供します。
  論文  参考訳（メタデータ） (2021-03-23T15:05:10Z)
• Graph Traversal with Tensor Functionals: A Meta-Algorithm for Scalable Learning [29.06880988563846]
  Graph Traversal via Functionals (GTTF)はグラフアルゴリズムを埋め込むための統合メタアルゴリズムフレームワークである。 提案手法は多種多様であり,学習方法は偏りのない方法で行われ,期待通り,特定の実装が直接実行されるかのように学習を近似する。
  論文  参考訳（メタデータ） (2021-02-08T16:52:52Z)
• Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
  グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。 tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。 カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
  論文  参考訳（メタデータ） (2021-01-27T17:16:36Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。