深度學(xué)習(xí)是目前AI領(lǐng)域最熱門的方向之一，目前PyG和DGL等主流圖深度學(xué)習(xí)框架大多是實(shí)現(xiàn)圖深度學(xué)習(xí)的基本操作與模型，很難應(yīng)對(duì)復(fù)雜圖深度學(xué)習(xí)研究任務(wù)。近日，來自德州農(nóng)工大學(xué)的姬水旺教授團(tuán)隊(duì)開發(fā)了首個(gè)面向復(fù)雜研究任務(wù)的可擴(kuò)展型圖深度學(xué)習(xí)工具包，包含圖生成，圖自監(jiān)督學(xué)習(xí)，圖神經(jīng)網(wǎng)絡(luò)可解釋性以及3D圖深度學(xué)習(xí)任務(wù)，旨在幫助研究者在復(fù)雜圖深度學(xué)習(xí)任務(wù)的算法開發(fā)上能夠輕松使用常用數(shù)據(jù)集和評(píng)估指標(biāo)與通用基準(zhǔn)進(jìn)行比較。

圖深度學(xué)習(xí)已經(jīng)展示了其在學(xué)習(xí)豐富的圖結(jié)構(gòu)數(shù)據(jù)上的有效性。并且在許多問題上取得了重大進(jìn)展， 例如藥物發(fā)現(xiàn)、社交網(wǎng)絡(luò)、物理仿真等。許多圖深度學(xué)習(xí)框架（如 PyG，DGL 等）主要關(guān)注實(shí)現(xiàn)基本的圖深度學(xué)習(xí)模塊和基礎(chǔ)任務(wù)，比如節(jié)點(diǎn)分類與圖分類等。但對(duì)于復(fù)雜的任務(wù)，比如圖生成和圖神經(jīng)網(wǎng)絡(luò)的可解釋性，研究人員仍然需要花費(fèi)巨大精力實(shí)現(xiàn)算法并與基準(zhǔn)模型進(jìn)行比較。

為了解決這一問題，德州農(nóng)工大學(xué)姬水旺教授領(lǐng)導(dǎo)的 DIVE（Data Integration, Visualization and Exploration）實(shí)驗(yàn)室開源了首個(gè)面向復(fù)雜研究任務(wù)的圖深度學(xué)習(xí)工具包 DIG（Dive into Graphs）。該工具包由實(shí)驗(yàn)室 16 人團(tuán)隊(duì)（14 個(gè)博士生，1 個(gè)本科生，1 個(gè)指導(dǎo)老師）歷時(shí) 1 年努力完成。與 PyG 和 DGL 等圖神經(jīng)網(wǎng)絡(luò)框架不同的是，DIG 聚焦于為目前熱門的復(fù)雜圖深度學(xué)習(xí)研究任務(wù)提供更易用、更快速并且可擴(kuò)展的算法開發(fā)與對(duì)比研究平臺(tái)。

目前，DIG 工具包支持 4 個(gè)研究方向：圖生成、圖自監(jiān)督學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)可解釋性以及 3D 圖深度學(xué)習(xí)。對(duì)于每個(gè)領(lǐng)域，DIG 都提供了通用、可擴(kuò)展的數(shù)據(jù)接口、常用算法與評(píng)估標(biāo)準(zhǔn)實(shí)現(xiàn)。

總之，DIG 極大地方便了研究人員的算法開發(fā)以及與基準(zhǔn)模型進(jìn)行實(shí)驗(yàn)比較。

• 論文地址：https://arxiv.org/abs/2103.12608

• 項(xiàng)目地址：https://github.com/divelab/DIG

目前，DIG 涵蓋 4 個(gè)研究方向的 18 個(gè)算法、33 個(gè)數(shù)據(jù)集、7 類評(píng)估指標(biāo)。基于通用與可擴(kuò)展的實(shí)現(xiàn)，未來可以將更多的方向和算法集成到 DIG 中。工具包整體結(jié)構(gòu)如下圖所示：

DIG 涵蓋的四大方向。

圖生成 :圖生成算法研究的是如何基于給定的一組圖數(shù)據(jù)生成新的圖。圖生成任務(wù)對(duì)于藥物和材料開發(fā)有潛在的重要作用。因此，DIG 主要考慮可以生成分子圖的深度學(xué)習(xí)算法。同時(shí)，DIG 中也實(shí)現(xiàn)了用以評(píng)估隨機(jī)生成、分子性質(zhì)優(yōu)化和有約束的分子性質(zhì)優(yōu)化的相關(guān)指標(biāo)。

圖自監(jiān)督學(xué)習(xí) ：自監(jiān)督學(xué)習(xí)的研究最近已擴(kuò)展到圖數(shù)據(jù)，利用特定的自監(jiān)督任務(wù)可以幫助模型獲得更有效的圖特征表示。目前 DIG 中主要實(shí)現(xiàn)了常見的基于對(duì)比學(xué)習(xí)的圖自監(jiān)督算法，提供了針對(duì)節(jié)點(diǎn)分類和圖分類的數(shù)據(jù)接口和評(píng)估指標(biāo)。

圖神經(jīng)網(wǎng)絡(luò)可解釋性 ：由于圖神經(jīng)網(wǎng)絡(luò)已經(jīng)被越來越多地部署在真實(shí)世界的應(yīng)用中，為了更好地理解模型，對(duì)圖神經(jīng)網(wǎng)絡(luò)的可解釋性研究變得至關(guān)重要。DIG 中實(shí)現(xiàn)了常見的圖神經(jīng)網(wǎng)絡(luò)解釋算法。除了常用基準(zhǔn)數(shù)據(jù)集和評(píng)估指標(biāo)外，DIG 的開發(fā)人員還針對(duì)可解釋性任務(wù)從文本數(shù)據(jù)中構(gòu)建了易于人類理解的圖數(shù)據(jù)集，極大地方便了后續(xù)圖神經(jīng)網(wǎng)絡(luò)可解釋性的研究。

3D 圖深度學(xué)習(xí) ：3D圖網(wǎng)絡(luò)是指節(jié)點(diǎn)具有三維位置信息的圖網(wǎng)絡(luò)結(jié)構(gòu)。例如分子中每個(gè)原子都有其相對(duì)的 3D 位置。考慮到圖結(jié)構(gòu)中 3D 位置信息對(duì)于提升圖網(wǎng)絡(luò)表達(dá)能力具有重要作用。DIG 中將三種最新 3D 圖深度學(xué)習(xí)算法整合為一個(gè) 3DGN 框架，提供了統(tǒng)一的實(shí)現(xiàn)。也實(shí)現(xiàn)了常見的 3D 分子數(shù)據(jù)集的統(tǒng)一接口和評(píng)估指標(biāo)。

關(guān)鍵設(shè)計(jì)準(zhǔn)則

通用實(shí)現(xiàn)：DIG 對(duì)于每個(gè)研究方向的數(shù)據(jù)接口和評(píng)估方法都有通用的實(shí)現(xiàn)。這使得 DIG 能夠充當(dāng)標(biāo)準(zhǔn)化的測(cè)試平臺(tái)。另外，對(duì)于可以從一個(gè)角度統(tǒng)一的算法，DIG 也會(huì)提供通用的算法實(shí)現(xiàn)。比如針對(duì) 3D 圖深度學(xué)習(xí)的 3DGN 框架和針對(duì)圖自監(jiān)督學(xué)習(xí)的對(duì)比模型框架。

可擴(kuò)展性和可定制化：借助于通用的實(shí)現(xiàn)，研究人員可以方便地集成新的數(shù)據(jù)集、算法與評(píng)估標(biāo)準(zhǔn)。而且用戶可以靈活地選取數(shù)據(jù)接口和評(píng)估方法來定制化實(shí)驗(yàn)。因此 DIG 可以用作研究人員實(shí)現(xiàn)新的算法和與基準(zhǔn)算法進(jìn)行實(shí)驗(yàn)比較的平臺(tái)。