ICLRMar, 2019

使用 PyTorch Geometric 进行快速的图形表征学习

PDF
TL;DRPyTorch Geometric 是一个基于 PyTorch 的深度学习库，用于处理不规则结构的输入数据，如图形，点云和流形。该库通过利用稀疏 GPU 加速，提供专用的 CUDA 内核以及引入对不同大小的输入示例的高效小批量处理，实现了高数据吞吐量。本文详细介绍了该库，并在同质评估场景下对实现的方法进行了全面比较研究。
pytorch geometricdeep learningirregularly structured input datagraphscuda kernels
发现论文，激发创造
  • PyTorch Geometric Temporal: 基于神经机器学习模型的时空信号处理

    PyTorch Geometric Temporal 是一个基于 PyTorch 的神经几何时态信号处理深度学习框架，可以用于实现预测性能较好的模型解决传染病预测、打车服务的预测和网络流量管理等现实问题，并具备运行在具有丰富时空特征的 Web 规模数据集上的潜力。

    Apr, 2021

  • 几何深度学习：网格、群、图、测地线和规范

    通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

    Apr, 2021

  • PyTorch Geometric 高阶图神经网络统一库

    PyTorch Geometric High Order (PyGHO) 是一个用于高阶图神经网络（HOGNNs）的库，扩展了 PyTorch Geometric（PyG）。该库通过简化的节点元组数据结构、全面的数据处理工具和高阶 GNN 方法的灵活运算符，提供了一个统一且用户友好的接口。本研究详细介绍了 PyGHO，并将使用 PyGHO 实现的 HOGNNs 与官方实现在真实任务上进行比较。PyGHO 可以实现高达 50% 的加速，并将实现所需的代码量减少一个数量级。

    Nov, 2023

  • 双曲线图神经网络

    该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

    Oct, 2019

  • 几何图神经网络综述：数据结构、模型与应用

    基于几何信息传递的数学预备知识，本论文从现有模型的角度提供了对几何图神经网络的统一视角，并总结了其应用以及相关数据集，以促进后续方法开发和实验评估的研究，同时还讨论了几何图神经网络的挑战和未来潜在方向。

    Mar, 2024

  • 深度几何学习调查：来自表征角度

    本文从不同的表示角度综述了深度学习在三维几何中的最新发展，并总结了不同表示方法在不同应用中的优缺点，同时提出了进一步的研究方向。

    Feb, 2020

  • 使用混合模型 CNN 对图和流形进行几何深度学习

    这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

    Nov, 2016

  • 使用 Geo2DR 学习图形的分布式表示

    Geo2DR 是一个用于无监督学习的 Python 库，通过使用离散子结构模式和神经语言模型处理图形结构数据，并包含了基于 PyTorch 的流行图分解算法和神经语言模型的高效实现，有助于构建能够学习图的分布式表示的系统。该研究通过广泛使用的图分类基准对现有方法进行重新实现和比较，证明了 Geo2DR 在已发布的方法中具有高度的再现性和与其他库实现互操作性。

    Mar, 2020

  • 几何深度学习：超越欧几里德数据

    本文主要探讨了几种几何深度学习问题以及目前存在的解决方案、主要困难、应用和未来研究方向。这些问题涉及非欧几里得域，需要使用结构化的深度神经模型来解决。

    Nov, 2016

  • 使用 PyTorch3D 加速 3D 深度学习

    本文介绍了 PyTorch3D，一个用于 3D 深度学习的模块化、高效且可微分的操作库，包括一个快速、模块化和可微分的渲染器，通过合成分析方法来预测出优秀的 3D 网格和点云，它比其他可微渲染器更加模块化和高效，在大型网格和图像方面也更具优势，能在提高速度和内存性能的同时扩展性更灵活。

    Jul, 2020