pyg-team/pytorch_geometric

PyTorch Geometric (PyG)

何であるか – PyTorch の上に構築された Python ライブラリで、グラフニューラルネットワーク（GNN）の開発と学習を簡単にします。数十種類の GNN レイヤーの事前実装、グラフデータの読み込みとバッチ処理のユーティリティ、および大規模・異種・動的グラフのサポートを提供します。

なぜ重要か – グラフ構造データは、ソーシャルネットワーク、引用ネットワーク、分子、3Dメッシュ、レコメンデーションシステムなど、多くの分野に登場します。PyG は、わずか数行のコードで最先端の GNN モデルをこれらの問題に適用でき、カスタムレイヤーの作成にも完全な柔軟性を提供します。

主な機能（README に記載）

• 統一的で PyTorch に似た API – 既に知っている PyTorch のテンソル中心のワークフロー。最小限の例は約 20 行で収まります。
• 多数のモデルカタログ – GCN、GAT、GraphSAGE、GIN、RGCN など 40 以上の公開された GNN レイヤーと、高レベルモデルが既に実装済み。
• スケーラブルなデータ処理 – ミニバッチローダー、サンプリング戦略、数百万ノードを持つグラフのマルチGPUサポート。
• 拡張性 – MessagePassing 基底クラスを継承することでカスタムレイヤーを構築可能。README には EdgeConv の完全な例が示されています。
• 現代的な PyTorch との統合 – torch.compile、TorchScript、および pyg-lib CUDA カーネルによる高速なスパース演算に対応。
• 豊富なエコシステム – ベンチマークデータセット、メッシュ/ポイントクラウド用の変換、チュートリアル、Colab ノートブック、外部リソースへのリンクを含む。

一般的なワークフロー（クイックツアー抜粋）

1. データセットを読み込む。例：Planetoid を使って Cora 引用グラフを読み込む。
2. 提供されたレイヤー（例：GCNConv）をスタックしてモデルを定義する。
3. 標準的な PyTorch オプティマイザループで学習する。
4. ノード分類やその他のグラフタスクで評価する。

誰が使うべきか – 新しい GNN アイデアを実験する機械学習研究者、プロダクション対応の GNN ツールボックスが必要なデータサイエンティスト、既に PyTorch を使っているがグラフ機能を追加したい人。

README からのリンク

• ドキュメント: https://pytorch-geometric.readthedocs.io
• 論文: PyG 1.0 (arXiv:1903.02428) と PyG 2.0 (arXiv:2507.16991)
• Colab ノートブック、Slack コミュニティ、ベンチマーク例（OGB など）

---

上記のすべての情報はリポジトリの README から直接取得したものであり、追加の機能は推測されていません。