iMoonLab/DeepHypergraph

解决的问题

DHG（DeepHypergraph）为标准图（低阶结构）和超图（高阶结构）提供了一个统一的深度学习框架。通过提供标准化的消息传递、结构操作和模型评估工具，简化了图神经网络（GNN）和超图神经网络（HGNN）的设计与实现过程。

工作原理

基于 PyTorch 构建，DHG 将基于谱的方法（如基于拉普拉斯的平滑）和基于空间的方法（消息传递）直接集成到结构对象中。支持广泛的传递模式，包括顶点到顶点、顶点到超边、超边到顶点。该库还包含一个由 Optuna 驱动的 Auto-ML 模块，可自动调优模型超参数和结构配置。

适用人群

专为从事几何深度学习的研究人员和开发者设计，特别是那些需要实现 GNN 或 HGNN 来完成顶点分类或用户-物品推荐等任务的人。

主要亮点

• 高阶消息传递：支持在超图结构上的非成对通信。
• PyTorch 集成：完全兼容 PyTorch 生态系统，可无缝集成任何基于 PyTorch 的模型。
• 结构转换：提供在标准图与超图之间转换的功能，以利用高阶连接。
• 内置可视化：提供可视化图、超图、有向图和二分图的工具。
• Auto-ML 能力：集成 Optuna 支持，实现超参数和结构的自动调优。
• 全面资源：包含大量公开数据集、SOTA 模型和评估指标库。