利用 Geo2DR 学习图的分布式表示
机器学习
2020-07-10 v3 机器学习
摘要
我们提出 Geo2DR（Geometric to Distributed Representations），一个支持 GPU 的 Python 库，用于基于离散子结构模式与神经语言模型对图结构数据进行无监督学习。它包含流行图分解算法与神经语言模型在 PyTorch 中的高效实现，可结合使用分布式假设来学习图的表示。此外，Geo2DR 配有通用的数据处理与加载方法，可大幅加速神经语言模型的训练。由此我们提供了一套模块化工具与方法，以快速构建能够学习图分布式表示的系统。这有助于复现现有方法、进行修改或开发全新方法。本文旨在介绍 Geo2DR 库，并使用 Geo2DR 重新实现现有方法，在广泛使用的图分类基准上对其进行全面比较分析。Geo2DR 对已有方法的结果表现出高度可复现性，并具备与其他用于分布式语言建模的库的互操作性。
引用
@article{arxiv.2003.05926,
title = {Learning distributed representations of graphs with Geo2DR},
author = {Paul Scherer and Pietro Lio},
journal= {arXiv preprint arXiv:2003.05926},
year = {2020}
}
备注
9 Pages, Revised version accepted at ICML 2020 GRL+ Workshop