在深度學(xué)習(xí)領(lǐng)域,傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)主要針對歐幾里得數(shù)據(jù)(如圖像、文本序列)進(jìn)行設(shè)計。然而,現(xiàn)實世界中大量數(shù)據(jù)呈現(xiàn)出圖結(jié)構(gòu)特征——社交網(wǎng)絡(luò)中的人際關(guān)系、分子結(jié)構(gòu)中的原子連接、交通網(wǎng)絡(luò)中的道路連通性等。這些非歐幾里得數(shù)據(jù)無法直接使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)處理,由此催生了圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks, GNNs)。

圖神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)圖節(jié)點的局部信息來進(jìn)行預(yù)測,在分類和回歸問題上都展現(xiàn)出強(qiáng)大的能力。研究表明,圖神經(jīng)網(wǎng)絡(luò)在藥物發(fā)現(xiàn)領(lǐng)域相比傳統(tǒng)的預(yù)測/描述符方法具有更大的潛力,已成為重要的建模工具 。

PyTorch Geometric (PyG) 是一個構(gòu)建在 PyTorch 之上的庫,專門用于輕松編寫和訓(xùn)練圖神經(jīng)網(wǎng)絡(luò),適用于各種與結(jié)構(gòu)化數(shù)據(jù)相關(guān)的應(yīng)用。該項目旨在降低圖神經(jīng)網(wǎng)絡(luò)的開發(fā)門檻,為研究人員和工程師提供便捷的工具。

在PyG中,圖數(shù)據(jù)通過精心設(shè)計的數(shù)據(jù)結(jié)構(gòu)進(jìn)行組織。單個圖由torch_geometric.data.Data實例表示,包含以下核心屬性:

• 節(jié)點特征矩陣 (node feature matrix): 描述圖中每個節(jié)點的特征
• 圖連接性 (graph connectivity): 采用COO(Coordinate)格式存儲邊信息
• 邊特征矩陣 (edge feature matrix): 描述邊的屬性
• 訓(xùn)練目標(biāo) (training targets): 用于監(jiān)督學(xué)習(xí)的標(biāo)簽節(jié)點
• 位置矩陣 (node position matrix): 可選的空間位置信息

這種靈活的數(shù)據(jù)結(jié)構(gòu)設(shè)計使得PyG能夠處理各種復(fù)雜的圖結(jié)構(gòu)數(shù)據(jù)。

圖神經(jīng)網(wǎng)絡(luò)的核心思想是消息傳遞(Message Passing),即節(jié)點通過與鄰居節(jié)點交換信息來更新自身特征。PyG提供了對各種聚合方法的廣泛支持,從簡單聚合(如均值、最大值、求和)到高級聚合(如中位數(shù)、方差、標(biāo)準(zhǔn)差),再到可學(xué)習(xí)的聚合和特殊聚合方法 。這種豐富的聚合操作選擇使研究人員能夠根據(jù)具體任務(wù)特點設(shè)計最優(yōu)的信息傳遞策略,大大提升了模型的表達(dá)能力和性能。

2025年7月份的論文PyG 2.0介紹了新的框架，它將原始圖數(shù)據(jù)存到特征庫和圖結(jié)構(gòu)庫，再經(jīng)過采樣和數(shù)據(jù)加載送到神經(jīng)網(wǎng)絡(luò)；中間的GNN模型通過消息傳遞來學(xué)習(xí)節(jié)點和邊的表示，并支持異質(zhì)圖、聚合方法、GPU加速等優(yōu)化；最后輸出結(jié)果可以用來做 預(yù)測、相似性檢索或可解釋性分析。整個框架是模塊化的，每一部分都能自由替換，保證在大規(guī)模、異質(zhì)或時序圖上也能高效訓(xùn)練。

港口運營管理是現(xiàn)代物流系統(tǒng)中的關(guān)鍵環(huán)節(jié),涉及船舶調(diào)度、泊位分配、集裝箱裝卸等復(fù)雜的優(yōu)化問題。圖卷積網(wǎng)絡(luò)已成為解決物流領(lǐng)域復(fù)雜優(yōu)化和調(diào)度挑戰(zhàn)的關(guān)鍵工具,包括車輛路徑問題、旅行商問題和動態(tài)作業(yè)調(diào)度等典型問題。

港口系統(tǒng)天然適合用圖結(jié)構(gòu)表示——泊位、碼頭、堆場可以建模為節(jié)點,船舶移動路徑、集裝箱運輸路線可以建模為邊。通過PyG的圖數(shù)據(jù)結(jié)構(gòu),可以將港口的物理拓?fù)浜瓦壿嬯P(guān)系高效編碼為圖表示

也有研究人員基于時空基礎(chǔ)，研發(fā)融合海事知識的時空圖神經(jīng)網(wǎng)絡(luò)來預(yù)測港口交通流量,該模型在預(yù)測不同船舶類型的交通流量方面表現(xiàn)出色,對優(yōu)化港口運營、路線規(guī)劃和緩解供應(yīng)鏈風(fēng)險具有重要應(yīng)用價值。

此外港口調(diào)度需要同時考慮多個優(yōu)化目標(biāo)——最小化船舶等待時間、最大化泊位利用率、降低能源消耗等。通過PyG構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)這些復(fù)雜約束之間的關(guān)系,生成高質(zhì)量的調(diào)度方案。

船舶交通流量展現(xiàn)出顯著的時空特征,因此可以利用圖結(jié)構(gòu)的深度學(xué)習(xí)框架(即圖神經(jīng)網(wǎng)絡(luò))來預(yù)測水道網(wǎng)絡(luò)中的船舶交通流量。這種預(yù)測能力使港口能夠動態(tài)調(diào)整調(diào)度策略,應(yīng)對突發(fā)狀況。

在實際應(yīng)用中,PyG提供的圖編碼機(jī)制能夠:

• 將港口中各種設(shè)施和資源的狀態(tài)編碼為節(jié)點特征
• 捕捉不同實體之間的空間鄰近關(guān)系和邏輯依賴關(guān)系
• 通過消息傳遞機(jī)制讓調(diào)度決策考慮全局信息
• 結(jié)合強(qiáng)化學(xué)習(xí)框架實現(xiàn)智能調(diào)度代理

藥物發(fā)現(xiàn)也是PyG最重要的應(yīng)用領(lǐng)域之一。分子本身就是一個自然的圖結(jié)構(gòu)——原子是節(jié)點,化學(xué)鍵是邊。圖神經(jīng)網(wǎng)絡(luò)在藥物發(fā)現(xiàn)領(lǐng)域獲得了越來越多的關(guān)注,特別是在預(yù)測藥物協(xié)同組合方面,為應(yīng)對復(fù)雜疾病(尤其是惡性腫瘤)提供了強(qiáng)有力的治療策略 。

QM9數(shù)據(jù)集是計算化學(xué)和機(jī)器學(xué)習(xí)中廣泛使用的基準(zhǔn)數(shù)據(jù)集，用于分子性質(zhì)預(yù)測,包含超過134,000個由氫、碳、氮、氧和氟組成的小有機(jī)分子的量子力學(xué)計算數(shù)據(jù) 。PyG為處理這類數(shù)據(jù)提供了完善的支持。在大規(guī)模且?guī)в性肼暤乃幬飻?shù)據(jù)集上，圖神經(jīng)網(wǎng)絡(luò)表現(xiàn)卓越，研究人員能夠利用已有知識加速新藥物的發(fā)現(xiàn)過程。

時間序列分析是數(shù)據(jù)科學(xué)中的基礎(chǔ)任務(wù),而將圖神經(jīng)網(wǎng)絡(luò)與時序建模相結(jié)合已成為近年來的研究熱點。PyG為這一融合提供了強(qiáng)大的技術(shù)支撐。隨著圖神經(jīng)網(wǎng)絡(luò)的最新進(jìn)展,基于GNN的時間序列分析方法激增。這些方法能夠顯式建模時序間(inter-temporal)和變量間(inter-variable)關(guān)系,而這正是傳統(tǒng)方法和其他深度神經(jīng)網(wǎng)絡(luò)方法難以做到的。

TimeGNN等方法學(xué)習(xí)動態(tài)時序圖表示,能夠捕捉序列間模式的演化以及多個序列之間的相關(guān)性。這種方法使用RNN、LSTM、GRU或Transformer捕捉時間依賴關(guān)系，同時能夠利用圖卷積網(wǎng)絡(luò)學(xué)習(xí)變量之間的依賴結(jié)構(gòu)。通過高效的時空交互讓時間和空間信息相互增強(qiáng)。

在融合領(lǐng)域,PyG主要扮演兩個關(guān)鍵角色:

• 圖結(jié)構(gòu)編碼器：在最簡化的情況下,GNN專注于圖G=(V,E)上的預(yù)測任務(wù)。訓(xùn)練GNN首先通過消息傳遞計算嵌入,其中每個節(jié)點生成消息傳遞給其鄰居。PyG提供的高效消息傳遞機(jī)制成為時空模型的核心組件,負(fù)責(zé)編碼變量間的依賴關(guān)系。
• 集成框架平臺：許多研究者使用PyG作為底層框架構(gòu)建時空圖神經(jīng)網(wǎng)絡(luò)。例如,Microsoft開發(fā)的StemGNN(Spectral Temporal Graph Neural Network)就基于PyG實現(xiàn),用于多變量時間序列預(yù)測。

PyG作為開源項目在GitHub上獲得了廣泛關(guān)注。根據(jù)GitHub倉庫統(tǒng)計,該項目已獲得22,600顆星標(biāo),擁有3,850個分支和430名貢獻(xiàn)者。這些數(shù)據(jù)充分說明了PyG在機(jī)器學(xué)習(xí)社區(qū)中的影響力和活躍度。

PyG團(tuán)隊持續(xù)推進(jìn)技術(shù)創(chuàng)新。近期研究探索了在非CUDA處理單元(如Google的TPU和Intel的處理單元)上運行PyG的可能性，這表明PyG正在適應(yīng)日益多樣化的硬件生態(tài)系統(tǒng),不再局限于NVIDIA的CUDA GPU。

PyG已成為圖神經(jīng)網(wǎng)絡(luò)研究的標(biāo)準(zhǔn)工具。在藥物發(fā)現(xiàn)領(lǐng)域的文獻(xiàn)計量和可視化分析中,圖卷積網(wǎng)絡(luò)被確認(rèn)為該領(lǐng)域的核心算法,而PyG正是實現(xiàn)這些算法的主要平臺。許多頂級學(xué)術(shù)會議和期刊發(fā)表的圖神經(jīng)網(wǎng)絡(luò)相關(guān)論文都基于PyG進(jìn)行實驗驗證。

隨著PyG的流行,圍繞它的教育生態(tài)也日益完善。2025年春季,多個大學(xué)開設(shè)了基于PyG的圖神經(jīng)網(wǎng)絡(luò)課程 ,大量在線教程、博客文章和視頻課程幫助初學(xué)者快速入門,形成了良好的學(xué)習(xí)氛圍。PyG的API設(shè)計遵循PyTorch的風(fēng)格,對熟悉PyTorch的開發(fā)者來說學(xué)習(xí)曲線平緩。豐富的文檔和示例代碼降低了入門門檻。

PyTorch Geometric作為圖神經(jīng)網(wǎng)絡(luò)領(lǐng)域的旗艦級工具庫,憑借其強(qiáng)大的功能、良好的易用性和活躍的社區(qū)支持,已經(jīng)成為研究人員和工程師的首選平臺。從學(xué)術(shù)研究到工業(yè)應(yīng)用,從藥物發(fā)現(xiàn)到港口調(diào)度,從時空預(yù)測到社交網(wǎng)絡(luò)分析,PyG正在推動圖神經(jīng)網(wǎng)絡(luò)技術(shù)在各個領(lǐng)域的落地和創(chuàng)新。

特別值得一提的是,PyG在圖編碼和時空建模方面的能力為解決復(fù)雜的現(xiàn)實世界問題提供了新的視角。在港口調(diào)度等物流優(yōu)化場景中,PyG的圖編碼機(jī)制能夠高效表示復(fù)雜的約束和關(guān)系;在時序預(yù)測任務(wù)中,PyG作為底層框架支撐著眾多前沿的時空圖神經(jīng)網(wǎng)絡(luò)模型,推動著這一交叉領(lǐng)域的快速發(fā)展。

本文轉(zhuǎn)載自??魯班模錘??，作者：龐德公