SGL：可扩展图神经网络工具包，助力大规模图学习

SGL：可扩展图神经网络工具包，助力大规模图学习

项目介绍

SGL（Scalable Graph Learning） 是一个专注于可扩展图学习的图神经网络（GNN）工具包。它旨在支持在超大规模数据集上进行深度图学习，使用户能够轻松实现可扩展的图神经网络，并在各种下游任务（如节点分类、节点聚类和链接预测）中评估其性能。此外，SGL 还支持基于 OpenBox 的自动神经架构搜索功能。SGL 由北京大学 DAIR 实验室的图学习团队设计和开发。

项目技术分析

SGL 的核心优势在于其高可扩展性、自动神经架构搜索功能以及易用性。与现有的 GNN 工具包（如 PyTorch Geometric 和 Deep Graph Library）相比，SGL 在以下三个方面具有显著优势：

• 高可扩展性：SGL 遵循 SGAP 设计范式，能够处理包含数十亿节点和边的图数据。
• 自动神经架构搜索：SGL 能够根据特定任务和预定义的多目标（如推理时间、内存成本和预测性能）自动选择合适的可扩展图神经网络架构。
• 易用性：SGL 提供了用户友好的接口，方便用户实现现有的可扩展 GNN 并执行各种下游任务。

项目及技术应用场景

SGL 适用于以下场景：

• 大规模图数据处理：适用于需要处理包含数十亿节点和边的大规模图数据的场景。
• 自动模型选择：适用于需要根据特定任务自动选择合适图神经网络架构的场景。
• 节点分类与聚类：适用于需要对图中的节点进行分类或聚类的场景。
• 链接预测：适用于需要预测图中节点之间链接关系的场景。

项目特点

• 高可扩展性：SGL 能够处理超大规模图数据，支持数十亿节点和边的图学习。
• 自动神经架构搜索：SGL 提供了自动选择合适图神经网络架构的功能，减少了手动调参的复杂性。
• 易用性：SGL 提供了简洁的接口，方便用户快速上手并实现各种图学习任务。
• 丰富的下游任务支持：SGL 支持节点分类、节点聚类和链接预测等多种下游任务。

快速开始

以下是一个简单的快速开始示例，展示了如何使用 SGL 进行节点分类任务：

from sgl.dataset import Planetoid
from sgl.models.homo import SGC
from sgl.tasks import NodeClassification

dataset = Planetoid("pubmed", "./", "official")
model = SGC(prop_steps=3, feat_dim=dataset.num_features, output_dim=dataset.num_classes)

device = "cuda:0"
test_acc = NodeClassification(dataset, model, lr=0.1, weight_decay=5e-5, epochs=200, device=device).test_acc

相关出版物

SGL 的开发团队在图神经网络领域有着丰富的研究成果，相关论文发表在多个顶级会议上，包括 WWW、NeurIPS、ICML 和 KDD 等。具体论文列表及链接请参见项目文档。

联系我们

如果您有任何技术问题，请提交新的 issue。对于其他问题，请联系 Wentao Zhang（wentao.zhang@pku.edu.cn）或 Zeang Sheng（shengzeang18@pku.edu.cn）。

许可证

SGL 的整个代码库采用 MIT 许可证。

---

通过 SGL，您可以轻松应对大规模图数据的挑战，并利用自动神经架构搜索功能优化模型性能。无论您是研究者还是开发者，SGL 都将是您进行图学习任务的得力助手。立即开始使用 SGL，探索图神经网络的无限可能！