PyTorch Geometric
PulseAugur coverage of PyTorch Geometric — every cluster mentioning PyTorch Geometric across labs, papers, and developer communities, ranked by signal.
-
GNN在金融模型中存在时间泄露问题；发布新基准
研究人员发现，在应用于金融交易数据时，消息传递图神经网络（GNN）普遍存在时间泄露问题。这种泄露发生是因为标准的训练分割可能会将模型暴露于未来信息，从而导致性能指标虚高。为了解决这个问题，发布了一个新的基准数据集SynthFin-AML v10.0，该数据集通过三快照架构强制执行严格的因果边界，确保模型仅使用过去的数据进行训练。在该严格基准上进行评估时，一个经过调优的LightGBM模型表现与GraphSAGE GNN相当，这表明在反…
-
FoldPipe 系统简化了分子机器学习数据流
研究人员开发了 FoldPipe，这是一个 Python 编排层，旨在提高分子机器学习模型训练的效率。该系统解决了从远程存储检索大型分子图数据集的挑战，尤其是在内存受限的实例上。FoldPipe 的工作原理是在主进程处理当前数据碎片时，在后台线程中预取数据碎片，从而确保实时数据的有界缓冲区。
-
City2Graph库通过异构图神经网络赋能城市分析
一款名为City2Graph的新Python库已发布，旨在将地理空间数据转化为城市系统的分析就绪图。该库通过将建筑物、街道片段和交通信息源等各种城市数据类型转换为图结构，从而促进异构图神经网络（HGNNs）和空间分析的应用。City2Graph支持多种图构建方式，包括形态、交通、移动和邻近性，并确保GeoDataFrames、NetworkX和PyTorch Geometric等不同图格式之间的一致性。
-
城市功能推断的空间图学习流程详解
本教程演示了如何构建一个用于城市功能推断的空间图学习流程。它利用 city2graph、OSMnx 和 PyTorch Geometric 等库来处理 OpenStreetMap 数据，构建图结构，并训练 GraphSAGE 模型。该过程包括收集兴趣点 (POI) 和街道网络数据，进行空间特征工程，并创建异构和同构图表示，以基于空间上下文预测 POI 类别。
-
新的GPU内核通过优化内存访问提升GNN性能
研究人员开发了新的GPU内核，通过解决内存访问瓶颈来优化图神经网络（GNN）。这些内核旨在减少数据移动并提高三种主要GNN层族的局部性：基于SpMM的卷积、基于归约的聚合以及基于注意力的层。这些实现提供了显著的加速，其中一些注意力内核的性能提高了8.5倍，并大幅减少了内存占用。
-
Morphling 增强器将 GNN 训练速度提升 20 倍
研究人员开发了 Morphling，这是一种领域特定代码合成器，旨在优化图神经网络 (GNN) 的训练。Morphling 将 GNN 规范编译为适用于 OpenMP、CUDA 和 MPI 等各种平台的便携式、后端专用实现。它包含一个运行时引擎，该引擎根据输入统计信息动态选择密集或稀疏执行路径，从而减少不必要的计算。评估表明，与 PyTorch Geometric 和 Deep Graph Library 等现有框架相比，Morphl…