3 repositorios
Awesome GitHub RepositoriesMessage Passing Primitives
Compute patterns for aggregating and updating features across graph topologies in neural networks.
Distinct from Message Passing: Existing message passing candidates refer to networking or concurrency, not graph-based neural network feature updates.
Explore 3 awesome GitHub repositories matching artificial intelligence & ml · Message Passing Primitives. Refine with filters or upvote what's useful.
Awesome Message Passing Primitives GitHub Repositories
Encuentra los mejores repositorios con IA.Buscaremos los repositorios que mejor coincidan usando IA.
- dmlc/dgl
dmlc/dgl
14,283Ver en GitHubDGL 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
Implements a generic compute pattern for aggregating and updating node and edge features across graph topologies.
Pythondeep-learninggraph-neural-networks - google-deepmind/graph_nets
google-deepmind/graph_nets
5,402Ver en GitHubgraph_nets es un framework de aprendizaje profundo estructurado en grafos y una librería para construir redes neuronales de paso de mensajes. Proporciona herramientas para diseñar arquitecturas que operan sobre nodos y aristas para procesar y razonar sobre datos estructurados como grafos utilizando TensorFlow. El framework implementa un paradigma de paso de mensajes para el intercambio iterativo de información entre nodos. Este enfoque permite el desarrollo de modelos que pueden razonar sobre entradas complejas estructuradas en grafos para tareas como la búsqueda de rutas y la clasificación, o servir como predictor para los estados futuros y trayectorias de sistemas físicos.
Implements differentiable compute patterns for aggregating and updating features across graph topologies.
Pythonartificial-intelligencedeep-learninggraph-networks - tkipf/pygcn
tkipf/pygcn
5,404Ver en GitHubpygcn es una librería y framework de PyTorch para implementar redes neuronales convolucionales en grafos. Proporciona herramientas para la clasificación de nodos semisupervisada y la generación de embeddings de nodos a partir de datos estructurados en grafos. El sistema convierte los nodos del grafo en vectores de baja dimensión basados en patrones de vecindad y similitudes locales. Permite la predicción de etiquetas de nodos aprovechando tanto un pequeño conjunto de ejemplos etiquetados como la topología general del grafo. La librería cubre el análisis de datos relacionales y el aprendizaje en grafos semisupervisado. Incluye primitivas computacionales para el paso de mensajes, transformación de adyacencia y normalización simétrica.
Aggregates feature vectors from neighboring nodes through weighted sums to update the representation of a target node.
Python
