Awesome GitHub RepositoriesGraph

DGL is a Python library for building and training graph neural networks. It functions as a graph message passing framework and a geometric deep learning tool, enabling the development of models that analyze graph-structured data. The library is designed for large-scale graph processing, utilizing distributed training and neighbor sampling to handle datasets with billions of edges. It provides specialized support for heterogeneous graph modeling, allowing for the representation of complex real-world entities with multiple node and edge types. Its capabilities cover a wide range of graph tasks

This is a graph convolutional network library designed for performing node and graph classification on graph-structured data. It functions as a framework for generating graph embeddings and implementing spectral convolutional neural networks to predict labels for nodes and entire graph structures. The library provides specialized tools for spectral graph convolutions, utilizing Chebyshev polynomial approximations to perform feature aggregation. It includes a multi-graph processing framework that manages batches of different graph instances through block-diagonal adjacency matrices and pooling

pygcn هي مكتبة وإطار عمل لـ PyTorch لتنفيذ شبكات التلافيف الرسومية (graph convolutional networks). توفر أدوات لتصنيف العقد شبه الخاضع للإشراف وتوليد تضمينات العقد من البيانات ذات الهيكل الرسومي. يحول النظام عقد الرسم البياني إلى متجهات منخفضة الأبعاد بناءً على أنماط الجوار والتشابهات المحلية. يُمكّن من التنبؤ بتسميات العقد من خلال الاستفادة من كل من مجموعة صغيرة من الأمثلة المصنفة وطوبولوجيا الرسم البياني الكلية. تغطي المكتبة تحليل البيانات العلائقية والتعلم الرسومي شبه الخاضع للإشراف. تتضمن بدائيات حسابية لتمرير الرسائل، وتحويل المجاورة، والتطبيع المتماثل.

Neuraloperator is a library for learning mappings between infinite-dimensional function spaces, serving as a tool to accelerate physics simulations and partial differential equation solving. It implements resolution-invariant models and spectral neural networks that can produce consistent predictions regardless of the input grid resolution or spatial discretization. The framework incorporates physics-informed neural networks that enforce physical constraints and differential equations through specialized loss functions. It utilizes Fourier transforms and spectral projections to process multid

Cnn_graph is a graph convolutional network framework and graph signal processing library designed for machine learning research. It provides computational notebooks and code to process and classify graph-structured data by combining node features with an underlying adjacency matrix representation. The framework performs spectral graph convolutions through localized filters and accelerates filtering operations using truncated Chebyshev polynomials to avoid explicit graph Laplacian diagonalization. It includes a graph-structured data pipeline and sparse adjacency representations to handle irreg

يعمل هذا المستودع كمورد تعليمي لتنفيذ الشبكات العصبية الرسومية باستخدام Python. يوفر مجموعة من أمثلة الكود المنظمة والبرامج التعليمية المصممة لتوجيه المطورين خلال عملية بناء وتدريب نماذج تعلم الآلة التي تعمل على مجموعات بيانات معقدة ومترابطة. يغطي المشروع الآليات الأساسية للتعلم العميق القائم على الرسوم البيانية، بما في ذلك بنيات تمرير الرسائل، وتجميع الميزات، وتكديس الطبقات التلافيفية. يوضح كيفية تمثيل البيانات غير الإقليدية كرسوم بيانية ثابتة وكيفية إدارة الذاكرة أثناء التدريب من خلال تقنيات أخذ العينات المصغرة. تعالج التنفيذات المضمنة مهام تحليلية شائعة مثل تصنيف العقد، والتنبؤ بهيكل الرسم البياني، ودمج مصادر البيانات غير المتجانسة في نماذج موحدة. تم تنظيم المستودع كسلسلة من التمارين العملية التي تترجم مفاهيم الرسوم البيانية النظرية إلى سير عمل تعلم آلة وظيفي.