上下文图马尔可夫模型（CGMM） 总结 CGMM是一种在图形中学习上下文的生成方法。它通过使用深层架构和平稳性假设，将信息扩散和局部计算结合起来。该模型在学习之前不会将图形预处理为固定结构。相反，它可以处理任何大小和形状的图形，同时保持可伸缩性。实验表明，与广泛分析整个输入结构以提取相关特征的昂贵内核方法相比，该模型运行良好。相比之下，随着体系结构的构建（增量），CGMM提取了更多抽象的特征。 我们希望，对拟议框架的利用（该框架可以向多个方向扩展）能够有助于广泛使用生成和区分方法来自适应处理结构化数据。 本次回购 该库包含数据和脚本，用于重现描述该方法的论文中报告的树/图分类实验(请查看以前的版本). 此研究软件按原样提供。如果您碰巧使用或修改此代码，请记住引用基础论文： Bacciu Davide，Errica Federico，Micheli Alessio：通过上下文架构进行图形的概率学习。机器学习研究杂志，21（134）：1−392020。 Bacciu Davide，Errica Federico，Micheli Alessio：上下文图马尔可夫模型：图形处理的深度和生成方法。第35届机器学习国际会议论文集，80:294-3032018。 2020年7月27日：JMLR接受论文！ 请参阅上述参考。 2020年3月3日更新 多亏了丹尼尔·阿特泽尼我们大大提高了二元语法计算的性能。使用C=4连续的后验和矩阵运算代替了嵌套的for循环，我们已经能够在单核NCI1上获得900x（是的，900x）的加速比。太棒了，丹尼尔！ 2019年11月5日更新 我们重构了整个存储库，以便于使用增量架构进行实验。新的效率改进即将到来。敬请期待！ 2019年5月24日更新 我们提供了CGMM的扩展和重构版本，在Pytorch中实现。还有一些附加的实验例程可以尝试一些常见的图形分类任务。有关纸张的原始代码，请参阅“纸张版本”发布标签。 用法 本回购建立在PyDGN公司这是一个易于开发和测试新DGN的框架。看看如何构建数据集，然后在那里训练模型。 本回购假设使用了PyDGN 1.0.3。不保证与未来版本的兼容性，例如，从PyDGN 1.2.1开始，需要稍微修改自定义指标。 评估分两步进行： 生成无监督图嵌入 在顶部应用分类器 我们设计了两个单独的实验，以避免每次都重新计算嵌入。首先，使用配置_CGMM_嵌入.yml配置文件以创建嵌入，指定参数中存储它们的文件夹嵌入式文件夹。然后，使用config_CGMM_分类器.yml要启动的配置文件分类实验。 发布实验： 构建数据集和数据拆分（遵循PyDGN教程） 您可以使用我们为图形分类任务提供的数据分割，这些数据来自我们的ICLR 2020关于再现性的论文。 例如： pydgn-dataset--配置文件DATA_CONFIGS/config_PROTEINS.yml 训练模型 pydgn-train--配置文件MODEL_CONFIGS/config_CGMM_Embedding.ymlpydgn-train--配置文件MODEL_CONFIGS/config_CGMM_Classifier.yml