#图神经网络

PyTorch Geometric是一个基于PyTorch的图形神经网络库，旨在简化结构化数据的建模与训练流程。支持小批量和大规模图的处理，并提供全面的GPU加速、数据管道处理以及常用基准数据集。这使得它成为机器学习研究者和初学者理想的选择。

DGL是一个高效易用的Python包，支持在图上执行深度学习。兼容PyTorch、Apache MXNet和TensorFlow等多种框架，提供GPU加速的图库、丰富的GNN模型示例、全面的教学材料及优化的分布式训练功能。适合从研究人员到行业专家的各类用户。广泛应用于学术及实践领域，无论是基础教学还是高级图分析，DGL均能有效支持。

TensorFlow GNN是一个用于TensorFlow平台的图神经网络库，支持异构和同构图。它提供了GraphTensor类型来表示多类型节点和边，数据准备工具以及高效的图采样器。库中包含可直接使用的模型和Keras层，提供高层次的训练API。TF-GNN广泛应用于各种图挖掘任务，用户可在Google Colab上无需安装直接运行示例。它兼容TensorFlow 2.12及以上版本和相关GPU驱动，主要在Linux环境测试。

Graph-Learn是一款分布式框架，专为开发和应用大规模图神经网络（GNN）而设计，已成功应用于阿里巴巴的搜索推荐、网络安全和知识图谱等场景。框架包括GraphLearn-Training和Dynamic-Graph-Service模块，支持批量图采样、在线推理及流图更新功能，兼容PyTorch和TensorFlow，提供完整的GNN模型开发解决方案。

Spektral是一个基于Keras API和TensorFlow 2的Python库，专为图神经网络（GNN）提供简单灵活的框架。该库适用于社交网络用户分类、分子性质预测、图生成、节点聚类和链接预测等任务。Spektral包含多种流行的图深度学习层，如GCN、Chebyshev、GraphSAGE、GAT等，并提供丰富的图操作工具。最新版1.0引入了新数据集、新容器、Loader类和transforms模块，简化了数据处理和模型训练。更多信息请参阅官方文档和示例。

本仓库收录了自监督学习在图神经网络（GNNs）领域的研究论文，按年份进行分类。我们会定期更新，若发现错误或遗漏，欢迎通过issue或pull request反馈。热门论文以火焰符号标注。

Awesome-Graph-LLM项目汇集图相关大语言模型(Graph-LLM)领域的前沿研究成果和资源。内容涵盖数据集、基准测试、综述文章,以及图推理、节点分类、图分类等应用。项目还收录图提示、通用图模型和多模态模型等新兴方向的相关工作,为Graph-LLM研究提供全面参考。

ADGC项目汇集了最新深度图聚类研究成果,包括重构性、对比性和生成性等多种方法的论文、代码和数据集。此外还收录了重要的综述文献,为研究人员提供了全面的深度图聚类资源和最新进展。

本教程基于京东团队、密西根州立大学和斯坦福大学CS224W课程内容，提供图深度学习从入门到应用的全面指导。涵盖图理论基础、深度学习基础、经典图神经网络模型，并结合NetworkX、DGL和PyG框架的实践代码，助力读者系统掌握图深度学习知识。

该项目整理了图结构数据对抗攻击和防御相关论文，涵盖节点分类、图分类、链接预测等任务。论文按上传日期降序排列，便于了解最新进展。项目还包含一篇综述文章，回顾110多篇相关研究。对图对抗学习研究者提供了系统性的文献资源。

GNN4Traffic项目汇集了图神经网络在交通预测领域的最新研究成果,涵盖多种GNN模型用于交通流量、需求和人流预测。项目提供相关论文、代码资源、数据集推荐和统计分析,是探索GNN在智能交通系统应用的重要资源库。

Schedule是一个图学习研讨会社区,定期邀请相关研究者分享最新成果。涵盖数据高效图学习、时空深度学习、图神经网络表达、芯片设计等热门话题。来自国内外知名机构的学者参与,为图学习研究者提供交流平台。

这个开源项目使用PyTorch实现了E(n)等变图神经网络(EGNN)。项目提供了EGNN的简洁接口,支持边特征和稀疏邻居等功能。EGNN在动力系统建模和分子活性预测等任务中表现领先。项目还包含详细示例和稳定性优化方法,适用于处理复杂的图结构数据。

该项目汇集了谱图神经网络领域的重要研究成果，包括里程碑论文、空间和谱域方法对比以及双胞胎论文等。内容涵盖2015年至2023年的关键进展，系统梳理了该领域的发展脉络。项目不仅总结现有工作，还探讨未来趋势，为谱图神经网络研究提供全面参考。

Awesome-Graph-Prompt是一个关于图神经网络提示学习的精选资源集合。它汇总了GNN提示、多模态图提示、图域适应等领域的最新研究论文,同时收录了相关开源代码、基准测试和数据集。该项目为图提示学习研究提供了全面的参考资料,有助于推动图神经网络在各类下游任务中的应用。

GNN-RAG项目探索了图神经网络在大语言模型推理中的应用。该方法在密集子图上进行推理，检索候选答案和推理路径，结合了GNN的结构化推理和LLM的自然语言处理能力。项目提供了GNN实现和基于RAG的LLM问答系统的代码，以及实验结果。研究表明，这种方法在知识图谱问答任务中具有提升性能的潜力。

GraphRel是一个用于联合实体和关系抽取的开源项目。该模型采用双向RNN和图卷积网络提取文本特征，通过两阶段处理构建关系图并整合实体和关系信息。项目基于PyTorch实现，提供了预训练模型，在NYT数据集上展现了良好性能。该方法发表于ACL 2019会议，为自然语言处理领域提供了新的解决方案。

本项目汇集图神经网络(GNN)在时间序列分析领域的研究进展和资源,涵盖预测、分类、异常检测和插值等任务。内容包括相关论文、数据集和应用概述,以及面向任务和模型的GNN4TS分类方法,为该领域研究和应用提供参考。

GraphCast是一个基于图神经网络的中期全球天气预报模型，提供高精度预测。项目包含三个预训练模型，涵盖高分辨率和低分辨率版本，适应不同计算资源。开源内容包括模型代码、预训练权重和示例数据。GraphCast使用ERA5和HRES数据训练，展现出优秀的天气预报性能，为研究人员提供了进一步开发和应用的基础。

这个项目对交通预测领域的多种模型和数据集进行了系统的比较分析。它汇总了近期发表的相关论文,详细介绍了METR-LA、PeMS-BAY等常用公开数据集。项目提供了各模型在主要数据集上的性能对比图表,并探讨了实验设置的差异。同时,它还整理了可公开获取的数据集及其来源信息,为交通预测研究提供了有价值的参考资料。

TopoNet是一个端到端框架，用于推理自动驾驶场景中车道中心线和交通元素间的连接关系。该框架采用图神经网络和知识图结构，整合异构特征并加强特征交互。TopoNet在OpenLane-V2数据集上展现了领先性能，为自动驾驶场景拓扑推理树立新标准。项目提供开源代码和预训练模型，促进自动驾驶研究发展。

本项目汇集了时间序列预测领域的最新论文、代码和相关资源。内容涵盖M4竞赛、Kaggle时间序列竞赛、学术研究、理论基础、实践工具和数据集等。为研究人员和从业者提供全面的参考资料，促进时间序列预测技术的深入研究与应用。

MMRec是一个现代化的多模态推荐系统工具箱，支持多种先进推荐模型，如图神经网络和自监督学习技术。它提供全面功能，包括数据预处理、模型训练和评估，便于研究人员高效开发和比较推荐算法。该工具箱配有详细文档和示例，适合快速上手和扩展研究。

本项目汇总了多模态推荐系统领域的精选资源，包括最新研究论文、开源框架和数据集。内容涵盖通用多模态推荐、基于文本和图像的推荐等方向，并提供详细的文献综述和技术分类。项目重点关注代码实现，为研究人员和开发者提供了深入了解该领域的重要参考。资源列表持续更新，反映多模态推荐系统的最新进展。

本项目整理了双曲空间表示学习和深度学习领域的前沿研究成果。内容涵盖基础理论和实际应用,包括双曲浅层模型、双曲神经网络和双曲图神经网络等方法,以及在推荐系统、知识图谱等方面的应用。项目将相关论文进行分类整理,为研究人员提供便捷的学习资源,促进该领域的发展。

这个项目汇集了兴趣点(POI)推荐领域的最新研究成果，包括深度学习、图神经网络和注意力机制等技术在POI推荐中的应用。项目重点关注时空依赖性、用户偏好建模和冷启动等问题，旨在改进POI推荐的个性化和情境感知能力。资源库收录了大量高质量论文及其代码实现，为POI推荐研究提供了全面的参考资料。

RecBole-GNN是一个开源的图神经网络推荐算法库，基于PyTorch和RecBole构建。该库专注于复现和开发GNN推荐算法，涵盖通用、序列和社交推荐三大类别。它提供统一API、高效图处理模块和丰富的算法库，支持多种前沿GNN推荐模型。RecBole-GNN还提供详细的性能对比，为研究人员提供便捷的GNN推荐算法开发和评估平台。

OpenGraph是一个创新的图基础模型,通过从大语言模型中提取零样本图泛化能力,解决了图神经网络领域的关键技术挑战。该模型引入了统一图标记器、可扩展图transformer和基于大语言模型的数据增强机制,在多种场景下展现出优异的零样本图学习性能。这项研究为图神经网络的泛化能力提升和应用场景拓展开辟了新方向。

这个项目是一个全面的图神经网络（GNN）教程，内容涵盖基础架构到最新技术。课程包含四个章节：GNN简介、图注意力网络、GraphSAGE和图同构网络，每章配有详细文章和实践代码。教程旨在帮助学习者掌握GNN的核心概念和实现方法，适合对深度学习感兴趣的研究者和开发者。

PopTorch是一个为Graphcore IPU开发的PyTorch扩展工具集，支持在IPU上进行模型训练、评估和使用。项目包含PopTorch和PopTorch Geometric两个主要组件，分别用于常规深度学习和图神经网络模型。项目提供了用户指南、安装说明和构建流程，主要适配Ubuntu 20.04环境。开发者可选择通过pip安装预编译wheel包或从源代码构建。PopTorch旨在让开发者充分利用IPU的计算能力，用于构建高性能AI应用。

DeepRobust是一个基于PyTorch的开源库，专注于图像和图神经网络的对抗性攻击与防御。它提供多种攻防算法，支持MNIST、CIFAR10等数据集，可与PyTorch Geometric集成。该库适用于对抗性机器学习研究，也为构建鲁棒深度学习模型提供工具。DeepRobust支持大规模图如OGB-ArXiv的攻击，并包含节点嵌入攻击和受害模型。它还提供图像预处理方法APE-GAN，支持ImageNet数据集，新增UGBA后门攻击和PRBCD可扩展攻击算法。库中包含MedianGCN、AirGNN等鲁棒模型，以及用于转换PyTorch Geometric和DeepRobust数据集的工具，成为全面的对抗性机器学习研究平台。

该资源库全面收集了图神经网络预训练相关论文，按发表年份、图类型、预训练策略、调优策略和应用领域分类。内容涵盖静态图、动态图、异构图等图类型，以及生成式、对比学习、多任务学习等预训练策略。同时包含prompt tuning等调优方法，并涉及推荐系统、生物学等应用领域。资源库不断更新，为图神经网络预训练研究提供重要参考。

这个项目整理了大规模图模型相关的研究文献，涵盖理论基础和实际应用。内容包括图神经网络与大型语言模型的结合、LLM在图任务中的应用、图提示学习和参数高效微调等技术。同时涉及知识图谱、分子科学和神经架构搜索等领域。项目为图机器学习研究提供了全面的文献综述，有助于推动该领域的发展。

该项目汇集大型语言模型(LLM)在图学习领域的最新论文和资源,将相关方法分为GNN前缀、LLM前缀、LLM-图集成和纯LLM四大类。项目提供详细分类说明和可视化图表,助力研究人员快速把握领域动态。内容定期更新,欢迎社区贡献,是LLM与图学习交叉研究的重要参考。

该项目是一个图对抗学习综合资源库，收录2017年至今的攻击、防御和鲁棒性认证相关论文。资源按字母、年份和会议分类，并提供代码实现汇总。内容涵盖图神经网络攻击方法、防御策略和稳定性研究，为图对抗学习研究提供重要参考。

本项目汇集了深度学习在社区发现领域的最新研究成果和资源。内容包括综述论文、基于卷积网络、图注意力网络和生成对抗网络的方法,以及相关数据集和工具。同时收录了传统的非深度学习社区发现技术,为研究人员提供全面参考。项目整理了大量论文、代码实现和相关资源,是了解该研究前沿的重要参考。