GNN-Pytorch

GNN方法和模型的Pytorch实现。Pytorch implementation of GNN.

这里更注重方法的学习，而不是获得更高的结果。

节点分类 - Node Classification

使用的数据集列表，有条件可以使用OGB数据集：

Dataset	Nodes	Edges	Node Attr.	Classes	Train	Valid	Test
Cora	2708	5429	1433	7	140	500	1000
Cora-Full	2708	5429	1433	7	1208	500	1000
Citeseer	3327	4732	3703	6	120	500	1000
Citeseer-Full	3327	4732	3703	6	1827	500	1000
Pubmed	19717	44338	500	3	60	500	1000
Pubmed-Full	19717	44338	500	3	18217	500	1000

各方法实验结果(Accuracy)列表：

Status	Method	Paper	Cora	Citeseer	Pubmed
✔️	GCN	Kipf and Welling, 2017	0.819	0.702	0.790
✔️	GraphSAGE	Hamilton and Ying et al., 2017	0.801	0.701	0.778
✔️	GAT	Velickovic et al., 2018	0.824	0.719	0.782
✔️	FastGCN^*	Chen and Ma et al., 2018	0.854	0.779	0.855
✔️	GRAND	Feng and Zhang et al., 2020	0.839	0.726	0.797

* 使用Cora-Full，Pubmed-Full和Citeseer-Full数据集训练并评价。

使用的数据集列表，更多的数据集见TUDataset，有条件可以使用OGB数据集：

Dataset	Graphs	Avg. Nodes	Avg. Edges	Node Attr.	Classes	Train	Valid	Test
DD	1178	284.32	715.66	89	2	826	117	235
NCI1	4110	29.87	32.30	37	2	2877	411	822
PROTEINS	1113	39.06	72.82	4	2	780	111	222

各方法实验结果(Accuracy)列表：

Status	Method	Paper	DD	NCI1	PROTEINS
	DiffPool	Ying et al., 2018
	Graph U-Nets	Gao et al., 2019
✔️	SAGPool_g	Lee and Lee et al., 2019	0.723	0.763	0.757
✔️	SAGPool_h	Lee and Lee et al., 2019	0.745	0.648	0.743
✔️	MinCutPool	Bianchi and Grattarola et al., 2020	0.770	0.742	0.766

依赖	版本	安装
python	3.8.6	conda create --name gnn python=3.8.6
numpy	1.20.0	pip install numpy==1.20.0
scipy	1.6.0	pip install scipy==1.6.0
pyyaml	5.4.1	pip install pyyaml==5.4.1
scikit-learn	0.24.1	pip install scikit-learn==0.24.1
pytorch	1.7.1	conda install pytorch==1.7.1 cudatoolkit=11.0 -c pytorch
torch-geometric	1.6.3	Installation

Name		Name	Last commit message	Last commit date
Latest commit History 125 Commits
Dataset		Dataset
Graph		Graph
Node		Node
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md