iMoonLab/DeepHypergraph

解決的問題

DHG（DeepHypergraph）提供一個統一的深度學習框架，用於處理標準圖（低階結構）與超圖（高階結構）。透過提供標準化的訊息傳遞、結構操作與模型評估工具，簡化圖神經網絡（GNN）與超圖神經網絡（HGNN）的設計與實作流程。

如何運作

基於 PyTorch 建構，DHG 將基於譜的運算（如基於拉普拉斯的平滑）與基於空間的運算（訊息傳遞）直接整合至結構物件中。支援多種訊息傳遞模式，包括頂點到頂點、頂點到超邊、以及超邊到頂點。該庫亦內建由 Optuna 驅動的 Auto-ML 模組，可自動調校模型超參數與結構設定。

適用對象

專為從事幾何深度學習的研究人員與開發者設計，特別是那些需實作 GNN 或 HGNN 以完成頂點分類或使用者-項目推薦等任務的人。

主要特色

• 高階訊息傳遞：支援在超圖結構上的非成對通訊。
• PyTorch 整合：完全相容 PyTorch 生態系統，可輕鬆整合任何基於 PyTorch 的模型。
• 結構轉換功能：提供標準圖與超圖之間相互轉換的功能，以發揮高階連結的優勢。
• 內建可視化工具：提供可視化圖、超圖、有向圖與二分圖的工具。
• Auto-ML 能力：整合 Optuna 支援，實現超參數與結構的自動調校。
• 完整資源庫：包含大量公開資料集、SOTA 模型與評估指標。