BasicGNNProject

本仓库为GNN研究项目的起点，提供在标准数据集上实现基线GNN模型，以及超参数调优和评估的功能。

This repository serves as the starting point for GNN research projects, offering the implementation of baseline GNN models on standard datasets, along with functionalities for hyperparameter tuning and evaluation.

原始信息汇总

数据集概述

支持的模型

• Message Passing Graph Neural Networks: GIN, GCN, GAT
• Equivariant Subgraph Aggregation Networks: DS, DSS
• Multilayer Perceptron: MLP

支持的数据集

• ZINC
• CSL: 使用交叉验证
• OGB datasets: ogbg-molhiv, ogbg-moltox21, ogbg-molesol, ogbg-molbace, ogbg-molclintox, ogbg-molbbbp, ogbg-molsider, ogbg-moltoxcast, ogbg-mollipo
• Long Range Graph Benchmark datasets: Peptides-struct, Peptides-func, PascalVOC-SP
• QM9: QM9 或 QM9_i（仅预测第i个属性）

数据集训练与测试

• 训练: 使用命令 python Exp/run_model.py --model $GNN --dataset $dataset 进行单次训练。
• 实验: 使用 python Exp/run_experiment.py 进行超参数优化和验证集评估。
• 超参数调优: 支持使用 wandb 进行超参数优化。

数据集引用

• ZINC: Gómez-Bombarelli et al., ACS Central Science 2018; Sterling and Irwin, Journal of Chemical Information and Modeling 2018
• CSL: Murphy et al., ICML 2019
• OGB: Hu et al., NeurIPS 2020
• Long Range Graph Benchmark: Dwivedi et al., NeurIPS 2022
• QM9: Wu et al., Chemical Science 2018

搜集汇总

数据集介绍

构建方式

BasicGNNProject数据集的构建基于多种图神经网络（GNN）模型和广泛使用的图数据集。该数据集整合了多种经典和前沿的GNN模型，如消息传递图神经网络（GIN、GCN、GAT）、等变子图聚合网络（DS、DSS）以及忽略图结构的MLP模型。同时，数据集涵盖了多个领域的图数据，包括化学分子数据（ZINC、OGB）、量子化学数据（QM9）以及长程图基准数据（Peptides-struct、Peptides-func）等。通过这些模型的集成与数据集的多样化选择，BasicGNNProject为研究者提供了一个全面的GNN研究平台。

使用方法

使用BasicGNNProject数据集进行研究时，用户可以通过简单的命令行操作来训练和评估GNN模型。首先，用户需要克隆仓库并设置Python环境，确保所有依赖项正确安装。随后，用户可以选择特定的GNN模型和数据集，通过运行`Exp/run_model.py`脚本来训练模型。此外，数据集还支持超参数调优和实验跟踪，用户可以通过WandB进行参数优化，并通过`Exp/run_experiment.py`脚本进行多轮实验。实验结果将自动存储，便于后续分析和比较。

背景与挑战

背景概述

BasicGNNProject数据集是由Ocatias团队开发，旨在为图神经网络（GNN）研究提供一个基础平台。该数据集的创建时间可追溯至2022年，其核心研究问题围绕图神经网络的表达能力、等变性及图表示学习展开。通过支持多种经典模型如GIN、GCN、GAT等，以及涵盖化学、生物信息学等领域的多样化数据集，如ZINC、OGB、QM9等，该数据集为GNN研究者提供了一个全面的实验环境。其影响力体现在多个顶级会议如NeurIPS、ICML、ICLR等的研究项目中，展示了其在推动图神经网络领域发展中的重要作用。

当前挑战

BasicGNNProject数据集在解决图神经网络领域的挑战中面临多重难题。首先，图数据的复杂性和异质性使得模型训练和评估变得极具挑战性。其次，不同数据集的特性差异，如ZINC的化学分子结构和OGB的多样化图结构，要求模型具备高度的适应性和鲁棒性。此外，构建过程中，如何高效地进行超参数调优和实验跟踪，以及确保模型在不同硬件环境下的可移植性和稳定性，也是该数据集面临的重要挑战。

常用场景

经典使用场景

BasicGNNProject数据集在图神经网络（GNN）研究中扮演着基础性的角色，其经典使用场景主要集中在模型调优、训练与评估。研究者可以利用该数据集对多种GNN模型（如GIN、GCN、GAT等）进行基准测试，尤其是在处理化学分子结构、蛋白质功能预测等复杂图结构数据时，该数据集提供了丰富的实验平台。

解决学术问题

该数据集解决了图神经网络在处理复杂图结构数据时的性能评估问题，特别是在化学分子和生物信息学领域的应用。通过提供标准化的数据集和模型，BasicGNNProject促进了GNN在不同任务中的可比性和可重复性研究，推动了图神经网络在学术界的广泛应用和发展。

实际应用

在实际应用中，BasicGNNProject数据集被广泛用于药物发现、材料科学和生物信息学等领域。例如，在药物发现过程中，研究者可以利用该数据集训练GNN模型来预测分子活性，从而加速新药的研发。此外，在材料科学中，该数据集也被用于预测材料的物理和化学性质，为新材料的设计提供理论支持。

数据集最近研究

最新研究方向

在图神经网络（GNN）领域，BasicGNNProject数据集的研究方向主要集中在图表示学习与图结构数据的深度学习模型的优化与评估。最新的研究趋势包括通过图同态（Homomorphisms）实现期望完备的图表示，以及通过图变换技术提升Weisfeiler-Leman算法的表达能力。此外，研究者们还在探索如何将细胞复形（Cell Complexes）的学习问题简化为图结构上的学习任务，以提高模型的泛化能力。这些研究不仅推动了GNN在化学分子建模、生物信息学等领域的应用，还为图数据处理提供了新的理论基础和算法框架。