推特800赞：图网络论文实现大合集，70多篇分门别类，从未如此全面 | 已过1k星

加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“阅读原文”立刻申请入群~

方栗子 发自 凹非寺
量子位 出品 | 公众号 QbitAI

△ 右边是不规则的

自从科学家发现，图神经网络 (GNN) 能处理不规则数据、攻克从前难解的问题，后每每出现图网络的资源，便广受人类的喜爱。

这次也不例外。

有个叫本尼迪克 (Benedek Rozemberczki) 的少年，在爱丁堡大学读博，他把自己整理的70多篇图网络论文+代码实现大列表，放上了GitHub。

少年在Reddit上宣布这个消息，半日热度便有215点。

不止如此，大列表也在推特上获得了800+赞：

不久，GitHub标星上了千。

本尼迪克说，列表里的模型分门别类：有图分解、有图核、有深度网络……且还会持续更新。

比起不久前红遍大江南北的PyTorch Geometric图网络库，少年说他的列表更全面。

所以，就来观察一下到底有多全。

分成四类

列表的名字，叫Awesome Graph Classification。

就像开头提到的那样，70多篇论文和它们的代码，被少年分到了四个类别里。

前两类比较简洁：

第一类是分解 (Factorization) ，有6篇论文的实现。比如，2017年诞生的graph2vec，把整个图编码进向量空间，便属于这一类。

第二类是Spectral and Statistical Fingerprints，有7项研究的实现。比如，中选KDD 2018的NetLSD，不受排列方式的影响、尺寸大小的影响，能在大图和大图之间做直接对比。

后面两类就丰盛了许多：

第三类是深度学习 (Deep Learning) ，也是内容最饱满的章节，有37篇论文的代码。不乏近年顶会的中选论文：

第四类是图核 (Graph Kernels) ，衡量两图相似度的一种有效方法。这个类别有21项研究的代码，不过这里的论文并不限于近年，跨度从2003年直到2018年。

哪里比前辈厉害？

回想上半年，多特蒙德工业大学的两位少年，发布了PyTorch Geometric (简称PyG) 图网络库，瞬时红火起来，如今已有4400多星。

PyG在四个数据集上，运行GCN和GAT模型的速度，都超过了从前的DGL图网络库，最高达到15倍速。

但从覆盖度上看，PyG有大约30个模型的代码实现，而本尼迪克的新列表包含了超过70篇论文的实现。

不止是总数的差距，本尼迪克说PyG库只有深度网络；

但在图分类 (Graph Classification) 任务里，如果没有节点和边缘特征，分解 (如Graph2Vec) 和Fingerprints (如NetLSD) 都是很有竞争力的。

这些算法，都在本尼迪克的大列表里。

所以，各位可以马克一下。

One More Thing

其实，少年整理过的清单并不止这一个。

社区发现 (Community Detection) 、分类/回归树，以及梯度增强，都有论文代码实现列表。大家可以从传送门前往探索。

图网络大列表：
https://github.com/benedekrozemberczki/awesome-graph-classification

— 完 —

*延伸阅读

• 比DGL快14倍：PyTorch图神经网络库PyG上线了
  

• CVPR2019 | 通过自适应的图卷积网络建模骨骼点数据进行行为识别
  

  
  

---

点击左下角“阅读原文”，即可申请加入极市目标跟踪、目标检测、工业检测、人脸方向、视觉竞赛等技术交流群，更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流，一起来让思想之光照的更远吧~

觉得有用麻烦给个在看啦~