图神经网络有多强大？

本仓库是以下论文中实验的官方 PyTorch 实现：

Keyulu Xu*、Weihua Hu*、Jure Leskovec、Stefanie Jegelka. 图神经网络有多强大？ICLR 2019.

arXiv OpenReview

如果您在工作中使用了本代码、实验或 GIN 算法，请引用我们的论文（下方为 BibTeX 格式）。

@inproceedings{
xu2018how,
title={图神经网络有多强大？},
author={Keyulu Xu 和 Weihua Hu 和 Jure Leskovec 和 Stefanie Jegelka},
booktitle={国际表征学习大会},
year={2019},
url={https://openreview.net/forum?id=ryGs6iA5Km},
}

安装

请按照 官方网站 的说明安装 PyTorch。代码已在 PyTorch 0.4.1 和 1.0.0 版本上测试通过。

然后安装其他依赖项：

pip install -r requirements.txt

测试运行

解压数据集文件：

unzip dataset.zip

然后运行：

python main.py

默认参数并非用于复现论文结果的最佳超参数。超参数需要通过命令行参数指定。有关超参数的具体设置，请参阅我们的论文。例如，对于 COLLAB 和 IMDB 数据集，您需要添加 --degree_as_tag 参数，以便将节点度数用作输入节点特征。

要了解需要指定的超参数，请输入：

python main.py --help

论文中使用的交叉验证策略

由于数据集规模较小，我们论文中的交叉验证仅使用训练集和验证集（没有测试集）。具体来说，我们先得到对应 10 折的 10 条验证曲线，然后对这 10 折的验证曲线取平均，得到一条平均验证曲线；接着选择使平均验证准确率最高的单个 epoch。最后，在该选定的 epoch 上计算 10 折结果的标准差。

powerful-gnns 快速上手指南

本指南基于 ICLR 2019 论文《How Powerful are Graph Neural Networks?》的官方 PyTorch 实现，帮助开发者快速运行 GIN（Graph Isomorphism Network）算法实验。

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：建议 Python 3.6+
• PyTorch 版本：代码已在 PyTorch 0.4.1 和 1.0.0 版本上测试通过。
  • 推荐安装较新的稳定版以兼容现有硬件。
  • 国内加速：推荐使用清华或中科大镜像源安装 PyTorch。
  • 示例（CUDA 11.8 + pip）：

    pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple
    

• 其他依赖：需安装 requirements.txt 中列出的库。

安装步骤

1. 克隆或下载项目代码（假设已获取本项目文件夹）。
2. 安装 Python 依赖包： 建议使用国内镜像源加速安装过程：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 准备数据集： 解压项目目录下的数据集压缩包：

   unzip dataset.zip
   

基本使用

1. 运行默认测试

完成上述安装和数据解压后，可直接运行主脚本进行默认参数测试：

python main.py

注意：默认参数并非论文中复现最佳结果所用的超参数，仅用于验证代码是否跑通。

2. 查看可用参数

要学习如何设置特定的超参数（如学习率、层数等），请查看帮助文档：

python main.py --help

3. 复现论文结果示例

根据论文说明，某些数据集（如 COLLAB 和 IMDB-BINARY）需要将节点度（node degrees）作为输入特征。运行这些数据集时，必须添加 --degree_as_tag 标志。

示例命令结构（具体参数值请参考 --help 或论文细节）：

python main.py --dataset COLLAB --degree_as_tag --num_layers 5 --hidden_dim 64

关于交叉验证策略

本项目的交叉验证策略与论文保持一致：

• 仅使用训练集和验证集（因数据集较小，未划分独立测试集）。
• 采用 10 折交叉验证。
• 最终结果选取 10 折平均验证准确率最高时的 epoch，并计算该 epoch 下的标准差。