Contrastive Self-supervised Learning for Graph Classification

用于图分类的基准图数据集的存储库 图分类简介 近年来，目睹了涉及具有结构关系的对象的越来越多的应用，包括生物信息学中的化合物，大脑网络，图像结构和学术引用网络。 对于这些应用程序，图形是用于建模和捕获对象之间的依赖关系的自然而强大的工具。 与传统数据不同，在传统数据中，每个实例均以特征值矢量格式表示，图具有节点-边缘结构关系，并且没有自然矢量表示。 近年来，这一挑战激发了许多图分类算法。 给定一组训练图，每个训练图与一个类别标签相关联，图分类旨在从训练图中学习模型，以预测将来看不到的图。 下图显示了矢量数据和图形数据之间的betweeb分类差异。 数据集汇总 该存储库维护31个基准图数据集，这些数据集广泛用于图分类。 图形数据集包括： 化学化合物 引文网络 社交网络 脑网络 化学化合物图形数据集采用“ .sdf”或“ .smi”格式，其他图形数据集则表示为“ .nel”格式。 所有这些

图分类用变压器 这一计划规定，在描述了我们U2GNN执行，我们充分利用了变压器自重视网络，构建一个先进的聚合函数学习图形表示。 用法 消息 17-05-2020：更新Pytorch（1.5.0）实施。 要求 Python 3.x Tensorflow 1.14 张量2张量1.13 Networkx 2.3 Scikit学习0.21.2 训练 U2GNN$ python train_U2GNN_Sup.py --dataset IMDBBINARY --batch_size 4 --ff_hidden_size 1024 --fold_idx 1 --num_neighbors 8 --num_sampled 512 --num_epochs 50 --num_timesteps 4 --learning_rate 0.0005 --model_name IMDBBINARY_bs

图分类实验 描述 它能做什么 怎么跑 一，安装依赖 # clone project git clone https://github.com/YourGithubName/your-repo-name cd your-repo-name # optionally create conda environment conda update conda conda env create -f conda_env.yaml -n your_env_name conda activate your_env_name # install requirements pip install -r requirements.txt pip install hydra-core --upgrade --pre 接下来，按照以下说明安装pytorch geometric： 现在，您可以使用默认配置训练模