[논문 리뷰] GraKeL: A Graph Kernel Library in Python

Giannis Siglidis, Giannis Nikolentzos외 4명|arXiv (Cornell University)|2018. 06. 06.

Advanced Graph Neural Networks참고 문헌 5인용 수 29

한 줄 요약

GraKeL은 scikit-learn 호환 프레임워크에 여러 최신 기술의 그래프 커널을 통합하는 파이썬 라이브러리로, 그래프 분류 및 클러스터링을 위한 머신러닝 파이프라인에 원활하게 통합할 수 있도록 한다. 15개의 커널과 2개의 커널 프레임워크를 지원하며, Cython과 NumPy를 통해 효율적인 계산을 제공하고, 기존 라이브러리인 graphkernels에 비해 속도와 사용성 면에서 뛰어나며, 커널 비교 및 평가를 위한 표준화된 인터페이스를 제공한다.

ABSTRACT

The problem of accurately measuring the similarity between graphs is at the core of many applications in a variety of disciplines. Graph kernels have recently emerged as a promising approach to this problem. There are now many kernels, each focusing on different structural aspects of graphs. Here, we present GraKeL, a library that unifies several graph kernels into a common framework. The library is written in Python and adheres to the scikit-learn interface. It is simple to use and can be naturally combined with scikit-learn's modules to build a complete machine learning pipeline for tasks such as graph classification and clustering. The code is BSD licensed and is available at: https://github.com/ysig/GraKeL .

연구 동기 및 목표

• 다양한 그래프 커널 구현체를 하나의 재사용 가능하고 확장 가능한 프레임워크로 통합하기 위해.
• 그래프 커널을 scikit-learn 기반 머신러닝 파이프라인에 원활하게 통합할 수 있도록 하기 위해.
• 커널 비교 및 평가를 위한 표준화되고 확장 가능하며 효율적인 플랫폼을 제공하기 위해.
• 이산적이고 연속적인 정점/에지 속성 모두를 지원하며, 레이블이 부여된 그래프와 레이블이 없는 그래프를 모두 처리하기 위해.
• BSD 라이선스와 포괄적인 문서화를 통해 복제 가능성과 공동 연구를 촉진하기 위해.

제안 방법

• 라이브러리는 scikit-learn의 TransformerMixin을 확장하는 기본 커널 클래스를 상속하여 모든 그래프 커널을 구현함으로써 scikit-learn API와의 호환성을 확보한다.
• NumPy와 SciPy를 통한 최적화된 수치 연산을 통해 커널을 계산하며, 성능에 민감한 컴ponent는 Cython으로 컴iles한다.
• 레이블이 있는 그래프와 연속적인 속성 그래프를 모두 지원하며, 정점 및 에지 특징에 대해 전용 처리 기능을 제공한다.
• 작은 그래프의 경우 그래프 이somorphism 검사를 BLISS를 사용하여 수행하고, 특정 커널을 위해 Lovász theta 함수는 CVXOPT를 통해 계산한다.
• 표준 그래프 분류 벤치마크인 MUTAG과 ENZYMES와 같은 데이터셋에 액세스할 수 있는 datasets 서브모듈을 제공한다.
• fit_transform 및 transform 메서드를 통해 엔드 투 엔드 워크플로우를 지원하며, 별도의 그래프 컬렉션에서 학습 및 추론을 모두 수행할 수 있다.

실험 결과

연구 질문

• RQ1 어떻게 다양한 그래프 커널들이 하나의 확장 가능하고 사용자 友好的한 소프트웨어 프레임워크 아래 통합될 수 있는가?
• RQ2 GraKeL은 기존 그래프 커널 라이브러리에 비해 계산 효율성 면에서 어느 정도 향상되는가?
• RQ3 GraKeL은 그래프 기반 머신러닝 작업을 위한 scikit-learn 파이프라인에 네이티브로 통합될 수 있는가?
• RQ4 라이브러리의 설계는 새로운 그래프 커널 구현체의 평가 및 비교를 어떻게 촉진하는가?
• RQ5 GraKeL은 graphkernels와 같은 대체 구현체에 비해 표준 벤치마크에서 어떤 성능 향상을 달성하는가?

주요 결과

• GraKeL은 15종의 별도 그래프 커널과 2개의 커널 프레임워크를 구현하며, 단지 6종의 커널 변형만 제공하는 graphkernels 라이브러리에 비해 뚜렷이 빠른 성능을 보인다.
• ENZYMES 벤치마크 데이터셋에서 GraKeL의 커널 계산 속도는 graphkernels 내부의 C++ 구현체보다도 더 빠르며, 뛰어난 효율성을 입증한다.
• SVM 분류기와 사전 계산된 커널을 사용할 때, ShortestPath 커널을 활용해 MUTAG 데이터셋에서 84.21%의 높은 정확도를 달성한다.
• GraKeL의 설계 덕분에 scikit-learn의 파이프라인에 직접 통합이 가능하여, 사용자가 그래프 커널을 SVM과 같은 표준 머신러닝 알고리즘과 원활하게 조합할 수 있다.
• 라이브러리의 객체 지향적 아키텍처와 scikit-learn 호환성 덕분에 새로운 그래프 커널 설계의 확장, 비교, 벤치마킹이 용이하다.
• 포괄적인 문서화와 GitHub에 공개된 BSD 라이선스를 통해 커뮤니티 협업과 복제 가능한 연구를 촉진한다.