Awesome GitHub RepositoriesMessage Passing Primitives

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

graph_nets est un framework et une bibliothèque d'apprentissage profond structuré sur graphes pour construire des réseaux de neurones à passage de messages. Il fournit des outils pour concevoir des architectures qui opèrent sur des nœuds et des arêtes pour traiter et raisonner sur des données structurées en graphes en utilisant TensorFlow. Le framework implémente un paradigme de passage de messages pour l'échange d'informations itératif entre les nœuds. Cette approche permet le développement de modèles capables de raisonner sur des entrées complexes structurées en graphes pour des tâches telles que la recherche de chemin et le tri, ou de servir de prédicteur pour les états futurs et les trajectoires de systèmes physiques.

pygcn est une bibliothèque et un framework PyTorch pour implémenter des réseaux de neurones convolutifs sur graphes (GCN). Il fournit des outils pour la classification de nœuds semi-supervisée et la génération d'embeddings de nœuds à partir de données structurées en graphes. Le système convertit les nœuds de graphe en vecteurs de basse dimension basés sur des modèles de voisinage et des similarités locales. Il permet la prédiction des étiquettes de nœuds en tirant parti à la fois d'un petit ensemble d'exemples étiquetés et de la topologie globale du graphe. La bibliothèque couvre l'analyse de données relationnelles et l'apprentissage sur graphes semi-supervisé. Elle inclut des primitives de calcul pour le passage de messages, la transformation d'adjacence et la normalisation symétrique.