自动图学习

中文介绍

一个用于图机器学习的自动机器学习框架与工具包。

由 @THUMNLab 积极开发中

如果您有任何意见或建议，欢迎随时在 这里提交问题，或发送邮件至 autogl@tsinghua.edu.cn 联系我们！

最新消息！

• 2023.10.29 新版本发布！v0.4.1 已上线！
  • 我们简化了数据集模块，使用户能够更轻松地构建自己的数据集！
  • 我们开发了一个扩展库：AutoGL-light，它是 AutoGL 的轻量级版本。用户可以更方便地自定义自己的图自动机器学习流水线！
  • 修复了一些小 bug。
• 2022.12.30 新版本发布！v0.4.0-pre 已上线！
  • 我们提出了 NAS-Bench-Graph（论文、代码、教程），这是 NeurIPS'22 上首次发布的图领域 NAS 基准测试。通过将 AutoGL 与 NAS-Bench-Graph 结合使用，可以极大地加速 GraphNAS 算法的性能评估过程。
  • AutoGL 现已支持图的 鲁棒性 算法，包括图结构工程、鲁棒 GNN 和鲁棒 GraphNAS。更多详情请参阅 鲁棒性教程。
  • AutoGL 现已支持图的 自监督学习！更多详情请参阅 自监督学习教程。
• 2021.12.31 发布 v0.3.0-pre 版本
  • 支持 Deep Graph Library (DGL) 后端，涵盖同质节点分类、链接预测和图分类任务。AutoGL 现在也兼容 PyG 2.0。
  • 支持 异构 节点分类！详情请参阅 异构教程。
  • 模块 model 现在支持 解耦 为两个子模块，分别命名为 encoder 和 decoder。在 解耦 设计下，一个 encoder 可以用于解决各种任务。
  • 丰富了 NAS 算法，例如 AutoAttend、GASSO、硬件感知算法 等。
• 2021.07.11 发布 0.2.0-pre 版本，支持 神经架构搜索 (NAS) 来自定义架构、采样 以处理大规模数据集，以及链接预测。
• 2021.04.16 我们的关于图上自动化机器学习的综述论文已被 IJCAI 接受！更多信息请见 这里。
• 2021.04.10 我们的论文 AutoGL：一个用于自动化图学习的库 被 ICLR 2021 几何与拓扑表示学习研讨会 接受！您可以按照 此处 的方法引用我们的论文。

简介

AutoGL 旨在帮助研究人员和开发者轻松、快速地在图数据集和任务上进行自动机器学习。有关详细信息，请参阅我们的文档！

下方的工作流程展示了 AutoGL 的整体框架。

AutoGL 使用 datasets 模块来管理基于图的机器学习数据集，该模块基于 PyTorch Geometric 或 Deep Graph Library 中的 Dataset，并添加了一些功能以支持自动求解框架。

不同的基于图的机器学习任务由不同的 AutoGL 求解器 处理，这些求解器利用五个主要模块来自动解决给定的任务，即 自动特征工程、神经架构搜索、自动模型选择、超参数优化 和 自动集成。

目前，AutoGL 支持以下算法：

特征工程	模型	NAS	HPO	集成
Generators Graphlets EigenGNN 更多 ... Selectors SeFilterConstant gbdt Graph netlsd NxAverageClustering 更多 ...	Homo Encoders GCNEncoder GATEncoder SAGEEncoder GINEncoder Decoders LogSoftmaxDecoder DotProductDecoder SumPoolMLPDecoder JKSumPoolDecoder	Algorithms 随机 RL 进化 GASSO 更多 ... Spaces SinglePath GraphNas AutoAttend 更多 ... Estimators Oneshot Scratch	网格搜索 随机搜索 模拟退火 贝叶斯优化 CAMES MOCAMES 准随机搜索 TPE AutoNE	投票 堆叠

该工具包也可作为用户实现和测试自己自动机器学习或基于图的机器学习模型的框架。

安装

要求

请确保在安装 AutoGL 之前满足以下要求。

1. Python >= 3.6.0

2. PyTorch (>=1.6.0)

   安装请参见 https://pytorch.org/。

3. 图库后端

   您需要 PyTorch Geometric (PyG) 或 Deep Graph Library (DGL) 作为后端。如果您同时安装了两者，可以按照 这里 选择一个后端。

   3.1 PyTorch Geometric (>=1.7.0)

   安装请参见 https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/。

   3.2 Deep Graph Library (>=0.7.0)

   安装请参见 https://dgl.ai/。

安装

通过 pip 安装

运行以下命令可通过 pip 安装本软件包。

pip install autogl

从源码安装

运行以下命令可从源码安装本软件包。

git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install

开发者安装

如果您是 AutoGL 项目的开发者，请使用以下命令创建软链接，这样您就可以在不重新安装的情况下修改本地包。

pip install -e .

文档

请参阅我们的 文档 以获取详细说明。

您也可以在本地生成文档。首先，请安装 sphinx 和 sphinx-rtd-theme：

pip install -U Sphinx
pip install sphinx-rtd-theme

然后，通过以下命令生成 HTML 文档：

cd docs
make clean && make html

文档将自动生成在 docs/_build/html 目录下。

引用

如果您认为我们的代码有用，请按以下方式引用 我们的论文：

@inproceedings{guan2021autogl,
  title={Auto{GL}: A Library for Automated Graph Learning},
  author={Chaoyu Guan and Ziwei Zhang and Haoyang Li and Heng Chang and Zeyang Zhang and Yijian Qin and Jiyan Jiang and Xin Wang and Wenwu Zhu},
  booktitle={ICLR 2021 Workshop on Geometrical and Topological Representation Learning},
  year={2021},
  url={https://openreview.net/forum?id=0yHwpLeInDn}
}

您可能也会发现我们的 综述论文 有帮助：

@article{zhang2021automated,
  title={Automated Machine Learning on Graphs: A Survey},
  author={Zhang, Ziwei and Wang, Xin and Zhu, Wenwu},
  booktitle = {Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, {IJCAI-21}},
  year={2021},
  note={Survey track}
}

许可证

我们从 v0.2 版本开始在整个代码库中遵循 Apache 许可证。

AutoGL 快速上手指南

AutoGL 是一个专为图机器学习设计的自动化机器学习（AutoML）框架与工具包，由清华大学 THUMNLab 团队开发。它支持自动特征工程、神经架构搜索（NAS）、自动模型选择、超参数优化及自动集成学习，帮助研究者快速构建高效的图学习解决方案。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：>= 3.6.0
• PyTorch 版本：>= 1.6.0
  • 安装参考：https://pytorch.org/
• 图后端库（二选一）：
  • PyTorch Geometric (PyG): >= 1.7.0
    • 安装参考：https://pytorch-geometric.readthedocs.io/en/latest/notes/installation.html/
  • Deep Graph Library (DGL): >= 0.7.0
    • 安装参考：https://dgl.ai/

提示：如果您同时安装了 PyG 和 DGL，可以在代码中指定使用哪个后端。国内用户若遇到下载依赖慢的问题，建议使用清华源或阿里源加速 pip 安装。

安装步骤

您可以选择通过 pip 直接安装，或从源码安装以获取最新功能。

方式一：通过 pip 安装（推荐）

pip install autogl

方式二：从源码安装

git clone https://github.com/THUMNLab/AutoGL.git
cd AutoGL
python setup.py install

方式三：开发者模式安装

如果您需要修改 AutoGL 源码进行二次开发，请使用 -e 参数创建软链接：

pip install -e .

基本使用

AutoGL 的核心工作流程是通过 Solver（求解器）自动处理图数据集。以下是一个最简单的节点分类任务示例，展示如何使用默认的自动求解器：

from autogl.solver import NodeClassificationSolver
from autogl.datasets import build_dataset_from_name

# 1. 加载数据集 (以 Cora 为例)
dataset = build_dataset_from_name('cora')

# 2. 初始化节点分类求解器
solver = NodeClassificationSolver()

# 3. 拟合数据并自动执行 AutoML 流程 (特征工程 + NAS + HPO 等)
solver.fit(dataset)

# 4. 在测试集上进行评估
result = solver.evaluate(dataset)

print(f"Accuracy: {result}")

代码说明：

• build_dataset_from_name: 快速加载内置的标准图数据集。
• NodeClassificationSolver: 封装了完整的 AutoML 流程，默认会自动尝试多种特征生成器、GNN 架构（如 GCN, GAT, SAGE 等）及超参数组合。
• fit: 启动自动训练与搜索过程。
• evaluate: 输出最终模型在测试集上的性能。

更多高级用法（如自定义搜索空间、使用 DGL 后端、异构图任务等），请参阅官方文档：http://mn.cs.tsinghua.edu.cn/autogl/documentation/