[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-THUMNLab--AutoGL":3,"tool-THUMNLab--AutoGL":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160784,2,"2026-04-19T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":146},9632,"THUMNLab\u002FAutoGL","AutoGL","An autoML framework & toolkit for machine learning on graphs.","AutoGL 是由清华大学团队研发的自动化机器学习框架，专为图数据领域的分析与建模打造。在传统的图机器学习中，模型设计、特征工程及超参数调整往往依赖专家经验，过程繁琐且门槛较高。AutoGL 旨在解决这一痛点，通过自动化流程帮助用户高效构建高性能的图学习模型，大幅降低技术难度并提升研发效率。\n\n这款工具非常适合从事图神经网络研究的研究人员、需要快速落地算法的开发者，以及希望探索图数据价值的技术人员。无论是处理节点分类、链接预测还是图分类任务，AutoGL 都能提供一站式支持。其核心亮点在于集成了先进的神经架构搜索（NAS）技术，能够自动定制最优模型结构；同时支持异构图学习、自监督学习以及模型鲁棒性增强等前沿功能。此外，AutoGL 兼容主流的深度学习后端（如 DGL 和 PyG），并提供了轻量级版本 AutoGL-light，让用户能更灵活地搭建专属的自动化流水线。无论你是想加速学术实验，还是寻求工业级的高效解决方案，AutoGL 都是一个值得尝试的强大助手。","# Auto Graph Learning\n\n[Chinese Introduction](README_cn.md)\n\nAn autoML framework & toolkit for machine learning on graphs.\n\n*Actively under development by @THUMNLab*\n\nFeel free to open \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\">issues\u003C\u002Fa> or contact us at \u003Ca href=\"mailto:autogl@tsinghua.edu.cn\">autogl@tsinghua.edu.cn\u003C\u002Fa> if you have any comments or suggestions!\n\n\u003C!--\n [![Code style: black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n% [![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUMNLab_AutoGL_readme_86f71bc87429.png)](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUMNLab_AutoGL_readme_86f71bc87429.png)-->\n\n## News!\n- 2023.10.29 New version! v0.4.1 is here!\n    - We have simplified the dataset module so that users can build their own datasets more easily! \n    - We have developed an extended library: [AutoGL-light](https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL-light), which is a lightweight version of AutoGL. Users can customize their own AutoML pipeline for graphs more easily!\n    - Minor bugs fixed.\n- 2022.12.30 New version! v0.4.0-pre is here!\n    - We have proposed __NAS-Bench-Graph__ ([paper](https:\u002F\u002Fopenreview.net\u002Fpdf?id=bBff294gqLp), [code](https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FNAS-Bench-Graph), [tutorial](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas_bench_graph.html)), the first NAS-benchmark for graphs published in NeurIPS'22. By using AutoGL together with NAS-Bench-Graph, the performance estimation process of GraphNAS algorithms can be greatly speeded up. \n    - We have supported the graph __robustness__ algorithms in AutoGL, including graph structure engineering, robust GNNs and robust GraphNAS. See [robustness tutorial](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_robust.html) for more details.\n    - We have supported graph __self-supervised learning__! See [self-supervised learning tutorial](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_ssl_trainer.html) for more details.\n- 2021.12.31 Version v0.3.0-pre is released\n    - Support [__Deep Graph Library (DGL)__](https:\u002F\u002Fwww.dgl.ai\u002F) backend including homogeneous node classification, link prediction, and graph classification tasks. AutoGL is also compatible with PyG 2.0 now.\n    - Support __heterogeneous__ node classification! See [hetero tutorial](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_hetero_node_clf.html) .\n    - The module `model` now supports __decoupled__ to two additional sub-modules named `encoder` and `decoder`. Under the __decoupled__ design, one `encoder` can be used to solve all kinds of tasks.\n    - Enrich [NAS algorithms](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas.html) such as [AutoAttend](https:\u002F\u002Fproceedings.mlr.press\u002Fv139\u002Fguan21a.html), [GASSO](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Fhash\u002F8c9f32e03aeb2e3000825c8c875c4edd-Abstract.html), [hardware-aware algorithm](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html#autogl.module.nas.estimator.OneShotEstimator_HardwareAware), etc. \n- 2021.07.11 Version 0.2.0-pre is released, which supports [neural architecture search (NAS)](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas.html) to customize architectures, [sampling](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_trainer.html#node-classification-with-sampling) to perform tasks on large datasets, and link prediction. \n- 2021.04.16 Our survey paper about automated machine learning on graphs is accepted by IJCAI! See more [here](http:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00742).\n- 2021.04.10 Our paper [__AutoGL: A Library for Automated Graph Learning__](https:\u002F\u002Farxiv.org\u002Fabs\u002F2104.04987) is accepted by _ICLR 2021 Workshop on Geometrical and Topological Representation Learning_! You can cite our paper following methods [here](#Cite).\n\n## Introduction\n\nAutoGL is developed for researchers and developers to conduct autoML on graph datasets and tasks easily and quickly. See our documentation for detailed information!\n\nThe workflow below shows the overall framework of AutoGL.\n\n\u003Cimg src=\".\u002Fresources\u002Fworkflow.svg\">\n\nAutoGL uses `datasets` to maintain datasets for graph-based machine learning, which is based on Dataset in PyTorch Geometric or Deep Graph Library with some functions added to support the auto solver framework.\n\nDifferent graph-based machine learning tasks are handled by different `AutoGL solvers`, which make use of five main modules to automatically solve given tasks, namely `auto feature engineer`, `neural architecture search`, `auto model`, `hyperparameter optimization`, and `auto ensemble`. \n\nCurrently, the following algorithms are supported in AutoGL:\n\n\n\u003Ctable>\n    \u003Ctbody>\n    \u003Ctr valign=\"top\">\n        \u003Ctd>Feature Engineer\u003C\u002Ftd>\n        \u003Ctd>Model\u003C\u002Ftd>\n        \u003Ctd>NAS\u003C\u002Ftd>\n        \u003Ctd>HPO\u003C\u002Ftd>\n        \u003Ctd>Ensemble\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr valign=\"top\">\n        \u003C!--\u003Ctd>\u003Cb>Generators\u003C\u002Fb>\u003Cbr>graphlet \u003Cbr> eigen \u003Cbr> pagerank \u003Cbr> PYGLocalDegreeProfile \u003Cbr> PYGNormalizeFeatures \u003Cbr> PYGOneHotDegree \u003Cbr> onehot \u003Cbr> \u003Cbr>\u003Cb>Selectors\u003C\u002Fb>\u003Cbr> SeFilterConstant\u003Cbr> gbdt \u003Cbr> \u003Cbr>\u003Cb>Subgraph\u003C\u002Fb>\u003Cbr> NxLargeCliqueSize\u003Cbr> NxAverageClusteringApproximate\u003Cbr> NxDegreeAssortativityCoefficient\u003Cbr> NxDegreePearsonCorrelationCoefficient\u003Cbr> NxHasBridge \u003Cbr>NxGraphCliqueNumber\u003Cbr> NxGraphNumberOfCliques\u003Cbr> NxTransitivity\u003Cbr> NxAverageClustering\u003Cbr> NxIsConnected\u003Cbr> NxNumberConnectedComponents\u003Cbr> NxIsDistanceRegular\u003Cbr> NxLocalEfficiency\u003Cbr> NxGlobalEfficiency\u003Cbr> NxIsEulerian \u003C\u002Ftd>-->\n        \u003Ctd>\u003Cb>Generators\u003C\u002Fb>\u003Cbr>Graphlets \u003Cbr> EigenGNN \u003Cbr> \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_fe.html\">more ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\u003Cb>Selectors\u003C\u002Fb>\u003Cbr> SeFilterConstant\u003Cbr> gbdt \u003Cbr> \u003Cbr>\u003Cb>Graph\u003C\u002Fb>\u003Cbr> netlsd\u003Cbr> NxAverageClustering\u003Cbr> \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_fe.html\">more ...\u003C\u002Fa>\u003C\u002Ftd>\n        \u003Ctd>\u003Cb>Homo Encoders\u003C\u002Fb>\u003Cbr> GCNEncoder \u003Cbr> GATEncoder \u003Cbr> SAGEEncoder \u003Cbr> GINEncoder \u003Cbr> \u003Cbr>\u003Cb>Decoders\u003C\u002Fb>\u003Cbr>LogSoftmaxDecoder \u003Cbr> DotProductDecoder \u003Cbr> SumPoolMLPDecoder \u003Cbr> JKSumPoolDecoder \u003C\u002Ftd>\n        \u003Ctd>\n        \u003Cb>Algorithms\u003C\u002Fb>\u003Cbr>\n        Random\u003Cbr>\n        RL\u003Cbr>\n        Evolution\u003Cbr>\n        GASSO\u003Cbr>\n        \u003Ca href='http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html'>more ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\n        \u003Cb>Spaces\u003C\u002Fb>\u003Cbr>\n        SinglePath\u003Cbr>\n        GraphNas\u003Cbr>\n        AutoAttend\u003Cbr>\n        \u003Ca href='http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html'>more ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\n        \u003Cb>Estimators\u003C\u002Fb>\u003Cbr>\n        Oneshot\u003Cbr>\n        Scratch\u003Cbr>\n        \u003C\u002Ftd>\n        \u003Ctd> Grid \u003Cbr> Random \u003Cbr> Anneal \u003Cbr> Bayes \u003Cbr> CAMES \u003Cbr> MOCAMES \u003Cbr> Quasi random \u003Cbr> TPE \u003Cbr> AutoNE \u003C\u002Ftd>\n        \u003Ctd> Voting \u003Cbr> Stacking \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\nThis toolkit also serves as a framework for users to implement and test their own autoML or graph-based machine learning models.\n\n## Installation\n\n### Requirements\n\nPlease make sure you meet the following requirements before installing AutoGL.\n\n1. Python >= 3.6.0\n\n2. PyTorch (>=1.6.0)\n\n    see \u003Chttps:\u002F\u002Fpytorch.org\u002F> for installation.\n\n3. Graph Library Backend\n\n    You will need either PyTorch Geometric (PyG) or Deep Graph Library (DGL) as the backend. You can select a backend following [here](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_backend.html) if you install both.\n\n    3.1 PyTorch Geometric (>=1.7.0)\n\n    See \u003Chttps:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Finstallation.html\u002F> for installation.\n\n    3.2 Deep Graph Library (>=0.7.0)\n\n    See \u003Chttps:\u002F\u002Fdgl.ai\u002F> for installation.\n\n\n### Installation\n\n#### Install from pip\n\nRun the following command to install this package through `pip`.\n\n```\npip install autogl\n```\n\n#### Install from source\n\nRun the following command to install this package from the source.\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL.git\ncd AutoGL\npython setup.py install\n```\n\n#### Install for development\n\nIf you are a developer of the AutoGL project, please use the following command to create a soft link, then you can modify the local package without install them again.\n\n```\npip install -e .\n```\n\n## Documentation\n\nPlease refer to our \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002F\">documentation\u003C\u002Fa> to see the detailed documentation.\n\nYou can also make the documentation locally. First, please install sphinx and sphinx-rtd-theme:\n```\npip install -U Sphinx\npip install sphinx-rtd-theme\n```\nThen, make an html documentation by:\n```\ncd docs\nmake clean && make html\n```\n\nThe documentation will be automatically generated under `docs\u002F_build\u002Fhtml`\n\n## Cite\n\nPlease cite [our paper](https:\u002F\u002Fopenreview.net\u002Fforum?id=0yHwpLeInDn) as follows if you find our code useful:\n```\n@inproceedings{guan2021autogl,\n  title={Auto{GL}: A Library for Automated Graph Learning},\n  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},\n  booktitle={ICLR 2021 Workshop on Geometrical and Topological Representation Learning},\n  year={2021},\n  url={https:\u002F\u002Fopenreview.net\u002Fforum?id=0yHwpLeInDn}\n}\n```\n\nYou may also find our [survey paper](http:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00742) helpful:\n```\n@article{zhang2021automated,\n  title={Automated Machine Learning on Graphs: A Survey},\n  author={Zhang, Ziwei and Wang, Xin and Zhu, Wenwu},\n  booktitle = {Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, {IJCAI-21}},\n  year={2021},\n  note={Survey track}\n}\n```\n\n## License\nWe follow [Apache license](LICENSE) across the entire codebase from v0.2.\n","# 自动图学习\n\n[中文介绍](README_cn.md)\n\n一个用于图机器学习的自动机器学习框架与工具包。\n\n*由 @THUMNLab 积极开发中*\n\n如果您有任何意见或建议，欢迎随时在 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\">这里\u003C\u002Fa>提交问题，或发送邮件至 \u003Ca href=\"mailto:autogl@tsinghua.edu.cn\">autogl@tsinghua.edu.cn\u003C\u002Fa> 联系我们！\n\n\u003C!--\n [![代码风格：black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)\n% [![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUMNLab_AutoGL_readme_86f71bc87429.png)](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUMNLab_AutoGL_readme_86f71bc87429.png)-->\n\n## 最新消息！\n- 2023.10.29 新版本发布！v0.4.1 已上线！\n    - 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！\n    - 我们开发了一个扩展库：[AutoGL-light](https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL-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！\n    - 修复了一些小 bug。\n- 2022.12.30 新版本发布！v0.4.0-pre 已上线！\n    - 我们提出了 __NAS-Bench-Graph__（[论文](https:\u002F\u002Fopenreview.net\u002Fpdf?id=bBff294gqLp)、[代码](https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FNAS-Bench-Graph)、[教程](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas_bench_graph.html)），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。\n    - 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](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_robust.html)。\n    - 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](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_ssl_trainer.html)。\n- 2021.12.31 发布 v0.3.0-pre 版本\n    - 支持 [__Deep Graph Library (DGL)__](https:\u002F\u002Fwww.dgl.ai\u002F) 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。\n    - 支持 __异构__ 节点分类！详情请参阅 [异构教程](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_hetero_node_clf.html)。\n    - 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。\n    - 丰富了 [NAS 算法](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas.html)，例如 [AutoAttend](https:\u002F\u002Fproceedings.mlr.press\u002Fv139\u002Fguan21a.html)、[GASSO](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2021\u002Fhash\u002F8c9f32e03aeb2e3000825c8c875c4edd-Abstract.html)、[硬件感知算法](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html#autogl.module.nas.estimator.OneShotEstimator_HardwareAware) 等。\n- 2021.07.11 发布 0.2.0-pre 版本，支持 [神经架构搜索 (NAS)](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas.html) 来自定义架构、[采样](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_trainer.html#node-classification-with-sampling) 以处理大规模数据集，以及链接预测。\n- 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](http:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00742)。\n- 2021.04.10 我们的论文 [__AutoGL：一个用于自动化图学习的库__](https:\u002F\u002Farxiv.org\u002Fabs\u002F2104.04987) 被 _ICLR 2021 几何与拓扑表示学习研讨会_ 接受！您可以按照 [此处](#Cite) 的方法引用我们的论文。\n\n## 简介\n\nAutoGL 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！\n\n下方的工作流程展示了 AutoGL 的整体框架。\n\n\u003Cimg src=\".\u002Fresources\u002Fworkflow.svg\">\n\nAutoGL 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。\n\n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`。\n\n目前，AutoGL 支持以下算法：\n\n\n\u003Ctable>\n    \u003Ctbody>\n    \u003Ctr valign=\"top\">\n        \u003Ctd>特征工程\u003C\u002Ftd>\n        \u003Ctd>模型\u003C\u002Ftd>\n        \u003Ctd>NAS\u003C\u002Ftd>\n        \u003Ctd>HPO\u003C\u002Ftd>\n        \u003Ctd>集成\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr valign=\"top\">\n        \u003C!--\u003Ctd>\u003Cb>Generators\u003C\u002Fb>\u003Cbr>graphlet \u003Cbr> eigen \u003Cbr> pagerank \u003Cbr> PYGLocalDegreeProfile \u003Cbr> PYGNormalizeFeatures \u003Cbr> PYGOneHotDegree \u003Cbr> onehot \u003Cbr> \u003Cbr>\u003Cb>Selectors\u003C\u002Fb>\u003Cbr> SeFilterConstant\u003Cbr> gbdt \u003Cbr> \u003Cbr>\u003Cb>Subgraph\u003C\u002Fb>\u003Cbr> NxLargeCliqueSize\u003Cbr> NxAverageClusteringApproximate\u003Cbr> NxDegreeAssortativityCoefficient\u003Cbr> NxDegreePearsonCorrelationCoefficient\u003Cbr> NxHasBridge \u003C br>NxGraphCliqueNumber\u003Cbr> NxGraphNumberOfCliques\u003Cbr> NxTransitivity\u003Cbr> NxAverageClustering\u003Cbr> NxIsConnected\u003Cbr> NxNumberConnectedComponents\u003Cbr> NxIsDistanceRegular\u003Cbr> NxLocalEfficiency\u003Cbr> NxGlobalEfficiency\u003Cbr> NxIsEulerian \u003C\u002Ftd>-->\n        \u003Ctd>\u003Cb>Generators\u003C\u002Fb>\u003Cbr>Graphlets \u003Cbr> EigenGNN \u003Cbr> \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_fe.html\">更多 ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\u003Cb>Selectors\u003C\u002Fb>\u003Cbr> SeFilterConstant\u003Cbr> gbdt \u003Cbr> \u003Cbr>\u003Cb>Graph\u003C\u002Fb>\u003Cbr> netlsd\u003Cbr> NxAverageClustering\u003Cbr> \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_fe.html\">更多 ...\u003C\u002Fa>\u003C\u002Ftd>\n        \u003Ctd>\u003Cb>Homo Encoders\u003C\u002Fb>\u003Cbr> GCNEncoder \u003Cbr> GATEncoder \u003Cbr> SAGEEncoder \u003Cbr> GINEncoder \u003Cbr> \u003Cbr>\u003Cb>Decoders\u003C\u002Fb>\u003Cbr>LogSoftmaxDecoder \u003Cbr> DotProductDecoder \u003Cbr> SumPoolMLPDecoder \u003Cbr> JKSumPoolDecoder \u003C\u002Ftd>\n        \u003Ctd>\n        \u003Cb>Algorithms\u003C\u002Fb>\u003Cbr>\n        随机\u003Cbr>\n        RL\u003Cbr>\n        进化\u003Cbr>\n        GASSO\u003Cbr>\n        \u003Ca href='http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html'>更多 ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\n        \u003Cb>Spaces\u003C\u002Fb>\u003Cbr>\n        SinglePath\u003Cbr>\n        GraphNas\u003Cbr>\n        AutoAttend\u003Cbr>\n        \u003Ca href='http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Fdocumentation\u002Fnas.html'>更多 ...\u003C\u002Fa>\u003Cbr>\u003Cbr>\n        \u003Cb>Estimators\u003C\u002Fb>\u003Cbr>\n        Oneshot\u003Cbr>\n        Scratch\u003Cbr>\n        \u003C\u002Ftd>\n        \u003Ctd> 网格搜索 \u003Cbr> 随机搜索 \u003Cbr> 模拟退火 \u003Cbr> 贝叶斯优化 \u003Cbr> CAMES \u003Cbr> MOCAMES \u003Cbr> 准随机搜索 \u003Cbr> TPE \u003Cbr> AutoNE \u003C\u002Ftd>\n        \u003Ctd> 投票 \u003Cbr> 堆叠 \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n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。\n\n## 安装\n\n### 要求\n\n请确保在安装 AutoGL 之前满足以下要求。\n\n1. Python >= 3.6.0\n\n2. PyTorch (>=1.6.0)\n\n    安装请参见 \u003Chttps:\u002F\u002Fpytorch.org\u002F>。\n\n3. 图库后端\n\n    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](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_backend.html) 选择一个后端。\n\n    3.1 PyTorch Geometric (>=1.7.0)\n\n    安装请参见 \u003Chttps:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Finstallation.html\u002F>。\n\n    3.2 Deep Graph Library (>=0.7.0)\n\n    安装请参见 \u003Chttps:\u002F\u002Fdgl.ai\u002F>。\n\n\n### 安装\n\n#### 通过 pip 安装\n\n运行以下命令可通过 `pip` 安装本软件包。\n\n```\npip install autogl\n```\n\n#### 从源码安装\n\n运行以下命令可从源码安装本软件包。\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL.git\ncd AutoGL\npython setup.py install\n```\n\n#### 开发者安装\n\n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。\n\n```\npip install -e .\n```\n\n## 文档\n\n请参阅我们的 \u003Ca href=\"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002F\">文档\u003C\u002Fa> 以获取详细说明。\n\n您也可以在本地生成文档。首先，请安装 sphinx 和 sphinx-rtd-theme：\n```\npip install -U Sphinx\npip install sphinx-rtd-theme\n```\n然后，通过以下命令生成 HTML 文档：\n```\ncd docs\nmake clean && make html\n```\n\n文档将自动生成在 `docs\u002F_build\u002Fhtml` 目录下。\n\n## 引用\n\n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](https:\u002F\u002Fopenreview.net\u002Fforum?id=0yHwpLeInDn)：\n```\n@inproceedings{guan2021autogl,\n  title={Auto{GL}: A Library for Automated Graph Learning},\n  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},\n  booktitle={ICLR 2021 Workshop on Geometrical and Topological Representation Learning},\n  year={2021},\n  url={https:\u002F\u002Fopenreview.net\u002Fforum?id=0yHwpLeInDn}\n}\n```\n\n您可能也会发现我们的 [综述论文](http:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00742) 有帮助：\n```\n@article{zhang2021automated,\n  title={Automated Machine Learning on Graphs: A Survey},\n  author={Zhang, Ziwei and Wang, Xin and Zhu, Wenwu},\n  booktitle = {Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence, {IJCAI-21}},\n  year={2021},\n  note={Survey track}\n}\n```\n\n## 许可证\n我们从 v0.2 版本开始在整个代码库中遵循 [Apache 许可证](LICENSE)。","# AutoGL 快速上手指南\n\nAutoGL 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。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：>= 3.6.0\n*   **PyTorch 版本**：>= 1.6.0\n    *   安装参考：\u003Chttps:\u002F\u002Fpytorch.org\u002F>\n*   **图后端库（二选一）**：\n    *   **PyTorch Geometric (PyG)**: >= 1.7.0\n        *   安装参考：\u003Chttps:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Finstallation.html\u002F>\n    *   **Deep Graph Library (DGL)**: >= 0.7.0\n        *   安装参考：\u003Chttps:\u002F\u002Fdgl.ai\u002F>\n\n> **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。\n\n## 安装步骤\n\n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。\n\n### 方式一：通过 pip 安装（推荐）\n\n```bash\npip install autogl\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL.git\ncd AutoGL\npython setup.py install\n```\n\n### 方式三：开发者模式安装\n\n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：\n\n```bash\npip install -e .\n```\n\n## 基本使用\n\nAutoGL 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：\n\n```python\nfrom autogl.solver import NodeClassificationSolver\nfrom autogl.datasets import build_dataset_from_name\n\n# 1. 加载数据集 (以 Cora 为例)\ndataset = build_dataset_from_name('cora')\n\n# 2. 初始化节点分类求解器\nsolver = NodeClassificationSolver()\n\n# 3. 拟合数据并自动执行 AutoML 流程 (特征工程 + NAS + HPO 等)\nsolver.fit(dataset)\n\n# 4. 在测试集上进行评估\nresult = solver.evaluate(dataset)\n\nprint(f\"Accuracy: {result}\")\n```\n\n**代码说明：**\n*   `build_dataset_from_name`: 快速加载内置的标准图数据集。\n*   `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。\n*   `fit`: 启动自动训练与搜索过程。\n*   `evaluate`: 输出最终模型在测试集上的性能。\n\n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：\u003Chttp:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002F>","某金融科技公司的算法团队正致力于构建一个反欺诈系统，需要利用用户交易关系图来精准识别潜在的洗钱团伙。\n\n### 没有 AutoGL 时\n- **模型选型困难**：面对 GCN、GAT、GraphSAGE 等数十种图神经网络架构，工程师只能依靠经验手动试错，耗时数周仍难确定最优结构。\n- **调参成本高昂**：图数据对超参数极其敏感，人工调整学习率、层数和聚合方式如同“大海捞针”，严重拖慢项目迭代速度。\n- **特征工程繁琐**：处理异构交易数据（如不同节点类型和边属性）需要编写大量定制化代码，且难以复用至其他任务场景。\n- **性能评估低效**：缺乏统一的自动化评估流程，每次验证新想法都需重构训练脚本，导致研发资源被重复劳动大量占用。\n\n### 使用 AutoGL 后\n- **自动架构搜索**：利用 AutoGL 的神经架构搜索（NAS）功能，系统自动在几小时内遍历并锁定最适合当前欺诈检测任务的图模型结构。\n- **智能超参数优化**：内置的自动调优模块根据数据分布自适应调整关键参数，无需人工干预即可将模型准确率提升 15%。\n- **一站式异构支持**：直接调用 AutoGL 的异构节点分类接口，轻松整合用户、账户和设备等多源数据，大幅简化预处理流程。\n- **标准化实验流水线**：通过统一的 AutoML 框架快速复现和对比不同算法效果，将原本数周的实验周期压缩至两天以内。\n\nAutoGL 将复杂的图机器学习流程自动化，让团队从繁琐的调参工作中解放出来，专注于业务逻辑与策略创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTHUMNLab_AutoGL_1e614c68.png","THUMNLab","THUMN Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTHUMNLab_366f4f4d.png","Media and Network Lab at Tsinghua University",null,"http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002F","https:\u002F\u002Fgithub.com\u002FTHUMNLab",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.6,{"name":85,"color":86,"percentage":87},"Jinja","#a52a22",0.3,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.1,1137,123,"2026-04-01T20:43:24","Apache-2.0","","未说明",{"notes":99,"python":100,"dependencies":101},"该工具需要安装 PyTorch Geometric (PyG) 或 Deep Graph Library (DGL) 作为后端图库，二者选其一即可（若同时安装需配置选择）。文档构建需额外安装 Sphinx 和 sphinx-rtd-theme。",">=3.6.0",[102,103,104],"torch>=1.6.0","torch-geometric>=1.7.0","dgl>=0.7.0",[14],[107,108,109,110,111,112,113,114],"graph-neural-networks","automl","pytorch","pytorch-geometric","hyper-parameter-optimization","machine-learning","deep-learning","neural-architecture-search","2026-03-27T02:49:30.150509","2026-04-20T04:06:00.639492",[118,123,128,133,138,142],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},43252,"运行特征工程示例代码时出现 'AttributeError: NoneType object has no attribute update' 错误怎么办？","这通常是因为使用 PyG 2.0 下载的数据集缓存与 PyG 1.7 不兼容导致的。解决方法是删除缓存文件夹 `~\u002F.cache-autogl`，然后重新运行代码即可。","https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\u002F59",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},43253,"AutoGL 0.1.1 版本与 torch-geometric 1.6.3 及以上版本不兼容导致报错，如何解决？","AutoGL 0.1.1 目前仅兼容 torch-geometric 1.6.1 及以下版本。如果遇到张量尺寸不匹配等错误，请将 torch-geometric 降级到 1.6.1 版本。执行命令：`pip install torch-geometric==1.6.1`。后续版本会修复此兼容性问题。","https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\u002F10",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},43254,"文档中关于超参数优化（HPO）的自定义函数示例存在逻辑错误或变量命名混淆吗？","是的，当前版本（v0.1.1）的代码确实存在一些逻辑瑕疵和术语重复，例如评估指标默认可能不是 Loss 而是 ACC 或 AUC，且部分参数传递看似多余但不影响结果。开发团队已确认这些问题，并计划在下一个版本中进行修复和更新。","https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\u002F12",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},43255,"运行链接预测训练器时出现 'AttributeError: Data object has no attribute edge_weight' 错误是什么原因？","这是在重构分支中发现的一个已知 Bug，原因是模型向前传播时期望数据对象包含 `edge_weight` 属性但实际缺失。该问题已在开发分支中被标记并修复，建议用户等待合并到主分支后的新版本，或直接在源码中检查 `edge_weight` 是否存在并进行默认值处理。","https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FAutoGL\u002Fissues\u002F33",{"id":139,"question_zh":140,"answer_zh":141,"source_url":137},43256,"如何确认 AutoGL 在不同模型上的性能表现是否正常？","可以通过运行基准测试脚本进行验证。根据社区反馈，在修复已知问题后，Node Classification (GraphSAGE) 的平均得分为 0.7845，Link Prediction (GCN) 的平均得分为 0.9029，Link Prediction (GraphSAGE) 的平均得分为 0.8869。如果结果偏差较大，请检查是否使用了正确的分支代码及依赖版本。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":122},43257,"遇到文档示例代码无法运行或报错时，一般排查步骤是什么？","首先检查环境配置，特别是 `torch-geometric` 的版本是否与 AutoGL 版本兼容（如 0.1.1 需配合 1.6.1）。其次，尝试清除数据集缓存目录（如 `~\u002F.cache-autogl`）以排除旧版本数据格式干扰。如果问题依旧，请查看 GitHub Issues 中是否有类似的 Bug 报告或等待官方修复更新。",[147,152,157,162],{"id":148,"version":149,"summary_zh":150,"released_at":151},342931,"v0.4.0","- 我们提出了 NAS-Bench-Graph（[论文](https:\u002F\u002Fopenreview.net\u002Fpdf?id=bBff294gqLp)、[代码](https:\u002F\u002Fgithub.com\u002FTHUMNLab\u002FNAS-Bench-Graph)、[教程](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_nas_bench_graph.html)），这是首个在 NeurIPS 2022 上发表的图神经网络架构搜索基准。通过将 AutoGL 与 NAS-Bench-Graph 配合使用，可以显著加速 GraphNAS 算法的性能评估过程。\n- 我们已在 AutoGL 中支持图鲁棒性相关算法，包括图结构工程、鲁棒 GNN 以及鲁棒 GraphNAS。更多详情请参阅 [鲁棒性教程](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_robust.html)。\n- 我们现已支持图自监督学习！更多详情请参阅 [自监督学习教程](http:\u002F\u002Fmn.cs.tsinghua.edu.cn\u002Fautogl\u002Fdocumentation\u002Fdocfile\u002Ftutorial\u002Ft_ssl_trainer.html)。","2022-12-30T06:11:04",{"id":153,"version":154,"summary_zh":155,"released_at":156},342932,"v0.3.1","v0.3.1 版本已发布！\n\n\n    - 我们首次发布了中文教程！\n    - AutoGL 现在支持 Deep Graph Library (DGL) 后端，以便为 DGL 用户提供更友好的接口！目前，DGL 后端已支持所有同质图节点分类任务、链接预测任务和图分类任务。AutoGL 也已兼容 PyG 2.0。\n    - 现在支持异构图节点分类任务！\n    - 为了使库更加灵活，model 模块现已解耦为两个独立的子模块：encoder 和 decoder。\n    - AutoGL 支持神经架构搜索（NAS），可根据给定的数据集和任务自定义架构。\n    - 现在也支持链接预测任务！\n\n欢迎随时提交 issue 和 PR！","2022-04-22T06:08:57",{"id":158,"version":159,"summary_zh":160,"released_at":161},342933,"v0.1.1","v0.1.1 已发布！\r\n\r\n修复了 v0.1.0 中的以下问题：\n1. 为节点分类任务添加 AutoNE 支持\n2. 将求解器与训练器之间的接口从 Data 改为 Dataset（以更好地支持 AutoNE）\n3. 添加对 OGB 节点分类数据集的支持\n4. 修复框架中的一些拼写错误\n\n已知问题：\n1. 目前，如果您没有导入二级包（通过 `pip` 安装时），Autogl 无法直接使用：\n```python\n>>> import autogl\n>>> autogl.datasets\nTraceback (most recent call last):\n  File \"\u003Cstdin>\", line 1, in \u003Cmodule>\nAttributeError: module 'autogl' has no attribute 'dataset'\n```\n请在使用时同时导入二级包（`import autogl.datasets`）。此问题将在后续版本中修复。\n\n2. Autogl 0.1.1 中的部分特征工程功能目前仍与 torch_geometric > 1.6.1 不兼容。请使用 torch_geometric==1.6.1 或更低版本来使用特征工程功能。[参见 issue #10]\n\n欢迎随时提交问题和拉取请求！","2020-12-23T08:15:15",{"id":163,"version":164,"summary_zh":165,"released_at":166},342934,"v0.1.0","亲爱的各位：\n\n我们很高兴地发布正在开发的工具包：AutoGL，这是一个面向图机器学习的自动机器学习框架与工具集。\n\nAutoGL 旨在帮助研究人员和开发者快速在图数据集和任务上开展自动机器学习。更多详情请参阅我们的\u003Ca href=\"https:\u002F\u002Fautogl.readthedocs.io\">文档\u003C\u002Fa>。欢迎试用这个首个版本，并提出`问题`或`拉取请求`。您也可以通过\u003Ca href='mailto:autogl@126.com'>autogl@126.com\u003C\u002Fa>与我们联系。\n\n### 已知问题\n1. OGB 数据集尚未完全支持，在使用 OGB 数据集进行实验时可能会遇到一些 bug。\n2. HPO 中的 `AutoNE` 目前在实现上存在一些问题。\n\n### 未来工作\n1. 增加神经架构搜索（NAS）支持\n2. 增加数据\u002F模型训练采样支持\n3. 支持更多任务、数据集和模型","2020-12-07T12:26:31"]