論文の概要: PyG 2.0: Scalable Learning on Real World Graphs

• arxiv url: http://arxiv.org/abs/2507.16991v1
• Date: Tue, 22 Jul 2025 19:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.755751
• Title: PyG 2.0: Scalable Learning on Real World Graphs
• Title（参考訳）: PyG 2.0: 現実世界のグラフにおけるスケーラブルな学習
• Authors: Matthias Fey, Jinu Sunil, Akihiro Nitta, Rishi Puri, Manan Shah, Blaž Stojanovič, Ramona Bendias, Alexandria Barghi, Vid Kocijan, Zecheng Zhang, Xinwei He, Jan Eric Lenssen, Jure Leskovec,
• Abstract要約: Pyg 2.0は、拡張性と現実世界のアプリケーション機能を大幅に改善した包括的アップデートです。 ヘテロジニアスグラフやテンポラルグラフのサポート,スケーラブルな機能/グラフストア,さまざまな最適化など,フレームワークの強化されたアーキテクチャについて詳述する。
• 参考スコア（独自算出の注目度）: 70.76634276606693
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: PyG (PyTorch Geometric) has evolved significantly since its initial release, establishing itself as a leading framework for Graph Neural Networks. In this paper, we present Pyg 2.0 (and its subsequent minor versions), a comprehensive update that introduces substantial improvements in scalability and real-world application capabilities. We detail the framework's enhanced architecture, including support for heterogeneous and temporal graphs, scalable feature/graph stores, and various optimizations, enabling researchers and practitioners to tackle large-scale graph learning problems efficiently. Over the recent years, PyG has been supporting graph learning in a large variety of application areas, which we will summarize, while providing a deep dive into the important areas of relational deep learning and large language modeling.
• Abstract（参考訳）: PyG(PyTorch Geometric)は、最初のリリースから大きく進化し、グラフニューラルネットワークのリードフレームワークとしての地位を確立した。 本稿では,Pyg 2.0(およびそれに続くマイナーバージョン)について紹介する。これは拡張性と実世界のアプリケーション機能を大幅に改善した包括的アップデートである。 このフレームワークの強化アーキテクチャには、異種グラフと時間グラフのサポート、スケーラブルな機能/グラフストア、さまざまな最適化が含まれており、研究者や実践者が大規模グラフ学習問題に効率的に取り組むことができる。 近年、PyGはグラフ学習を多種多様なアプリケーション領域でサポートしてきたが、これを要約し、リレーショナルディープラーニングと大規模言語モデリングの重要な領域を深く掘り下げている。

関連論文リスト

• Unified Graph Networks (UGN): A Deep Neural Framework for Solving Graph Problems [0.5699788926464752]
  グラフ問題を解くために,emphUnified emphGraph emphNetwork (UGN) という新しいフレームワークを提案する。 UGNはグラフ畳み込みニューラルネットワーク(GCN)と2次元畳み込みニューラルネットワーク(Conv2D)に基づいている
  論文  参考訳（メタデータ） (2025-02-11T12:03:18Z)
• Query-Aware Learnable Graph Pooling Tokens as Prompt for Large Language Models [3.9489815622117566]
  Learnable Graph Pooling Token (LGPT)は、フレキシブルで効率的なグラフ表現を可能にする。 提案手法は,大規模言語モデルを訓練することなく,GraphQAベンチマークで4.13%の性能向上を実現している。
  論文  参考訳（メタデータ） (2025-01-29T10:35:41Z)
• PyG-SSL: A Graph Self-Supervised Learning Toolkit [71.22547762704602]
  Graph Self-Supervised Learning (SSL)は近年,重要な研究領域として現れている。 これらのグラフSSLメソッドの顕著な成果にもかかわらず、その実装は初心者にとって大きな課題となっている。 PyG-SSLと呼ばれるグラフSSLツールキットは、PyTorch上に構築されており、さまざまなディープラーニングや科学計算バックエンドと互換性がある。
  論文  参考訳（メタデータ） (2024-12-30T18:32:05Z)
• LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
  本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。 LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
  論文  参考訳（メタデータ） (2023-11-28T08:45:37Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  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。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• Hyperbolic Graph Learning: A Comprehensive Review [56.53820115624101]
  本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。 我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。 我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)
• Deep Graph Structure Learning for Robust Representations: A Survey [20.564611153151834]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に広く利用されている。 GNNモデルの堅牢性を改善するため、グラフ構造学習の中心概念を中心に多くの研究が提案されている。
  論文  参考訳（メタデータ） (2021-03-04T13:49:25Z)
• Scene Graph Modification Based on Natural Language Commands [90.0662899539489]
  グラフやパースツリーのような構造化表現は多くの自然言語処理システムにおいて重要な役割を果たす。 本稿では,新しい利用者の指示に応じて既存のグラフの更新方法を学ぶ必要がある,グラフ修正の新たな課題について考察する。
  論文  参考訳（メタデータ） (2020-10-06T10:01:19Z)

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。