graph-neural-networks

Boîte à outils open source pour les réseaux de neurones sur graphes hétérogènes (OpenHGNN) basée sur DGL.

Bibliothèque d'extension PyTorch d'algorithmes de clustering de graphes optimisés

Articles sur les graph transformers.

Une bibliothèque PyTorch pour le calcul sur graphes et hypergraphes.

[TPAMI 2024] Ressources sur les GNN pour l'analyse de séries temporelles (GNN4TS)

[SIGIR'2024] "GraphGPT : réglage d'instructions par graphes pour les grands modèles de langage"

Articles sur l'explicabilité des GNN

Notebooks Colab couvrant les outils de deep learning pour la prédiction et la conception de structures biomoléculaires.

Articles de référence formidables sur le machine learning (deep learning) appliqué aux graphes dynamiques (temporels) (réseaux / graphes de connaissances).

Joint Deep Matcher pour les points et les lignes 🖼️💥🖼️ (ICCV 2023)

Liste d'articles sur l'embedding hyperbolique, les modèles hyperboliques, applications hyperboliques

Une bibliothèque Python pour la détection d'événements sociaux.

Une bibliothèque Python unifiée pour le prompting de graphes

Bibliothèque Python facilitant l'apprentissage profond sur les graphes

Code pour l'article "PICK: Processing Key Information Extraction from Documents using Improved Graph Learning-Convolutional Networks" (ICPR 2020)

[WSDM'2024 Oral] "SSLRec: A Self-Supervised Learning Framework for Recommendation"

Articles, implémentations, jeux de données et outils liés à la détection de communautés profonde et conventionnelle.

Implémentation en PyTorch d'un réseau de neurones récurrents à convolution par diffusion (DCRNN)

EquiBind : apprentissage profond géométrique pour des prédictions rapides de la structure 3D dans laquelle une petite molécule se lie à une protéine

Un jeu de données automobile multimodal à grande échelle avec simulations de dynamique des fluides computationnelle et benchmarks d'apprentissage profond.

Un modèle de diffusion euclidien pour la conception de médicaments basée sur la structure.

Geometric GNN Dojo fournit des implémentations et des expériences unifiées pour explorer l'espace de conception des réseaux de neurones sur graphes géométriques (ICML 2023)