[论文解读] DIG: A Turnkey Library for Diving into Graph Deep Learning Research

Meng Liu, Youzhi Luo+14 more|arXiv (Cornell University)|Mar 23, 2021

Advanced Graph Neural Networks参考文献 56被引用 57

一句话总结

DIG 是一个一站式的 Python 库，提供统一的数据接口、算法和评估指标，用于图生成、自监督学习、可解释性和3D图，以促进图深度学习研究与基准测试。

ABSTRACT

Although there exist several libraries for deep learning on graphs, they are aiming at implementing basic operations for graph deep learning. In the research community, implementing and benchmarking various advanced tasks are still painful and time-consuming with existing libraries. To facilitate graph deep learning research, we introduce DIG: Dive into Graphs, a turnkey library that provides a unified testbed for higher level, research-oriented graph deep learning tasks. Currently, we consider graph generation, self-supervised learning on graphs, explainability of graph neural networks, and deep learning on 3D graphs. For each direction, we provide unified implementations of data interfaces, common algorithms, and evaluation metrics. Altogether, DIG is an extensible, open-source, and turnkey library for researchers to develop new methods and effortlessly compare with common baselines using widely used datasets and evaluation metrics. Source code is available at https://github.com/divelab/DIG.

研究动机与目标

• 解决在实现和基准测试高级图深度学习任务（超越基础的节点/图分类）时的痛点。
• 提供一个统一、可扩展的测试平台，用于图生成、自监督学习、可解释性和3D 图学习。
• 提供标准化的数据接口、算法和评估指标，便于方法开发与比较。
• 鼓励社区贡献，并通过广泛使用的数据集和指标实现易于扩展。

提出的方法

• 为每个方向提供统一的数据接口、常用算法和评估指标的 API。
• 与 PyTorch、PyG 和 RDKit 集成，以支持图和分子操作。
• 实现四个研究方向：图生成、图上的自监督学习、可解释性，以及3D 图学习。
• 支持广泛使用的数据集（例如 QM9、ZINC250k、MOSES、TUDataset）和标准评估指标。
• 可扩展的模块化设计，便于轻松添加新数据集、算法和指标。
• 通过持续集成和文档实现质量保证。
• 在 GNU GPLv3 许可证下开源。

实验结果

研究问题

• RQ1 如何利用统一的、可扩展的测试平台在多个研究方向上加速图 DL 方法的开发与基准测试？
• RQ2 研究人员是否能够轻松采用 DIG 来实现、比较并复现实验，覆盖图生成、自监督学习、可解释性和3D 图？
• RQ3 在图深度学习中，哪些设计原则能够实现对新数据集、算法和指标的无缝扩展？
• RQ4 统一接口和基准与图 DL 社区广泛使用的数据集和评估实践的对齐程度如何？

主要发现

• DIG 提供了统一且可扩展的数据接口、常用算法和评估指标的实现，覆盖图生成、自监督学习、可解释性和 3D 图。
• 该库在四个方向中包含 18 种算法，并利用 Python、PyTorch、PyG 和 RDKit 来进行图和分子操作。
• DIG 强调可重复性和质量，通过持续集成、在线文档，以及 GPLv3 许可证来促进社区贡献。
• 提供基准测试和基准示例，以在合理的差异范围内复现报告的结果。
• DIG 作为一个一站式平台，用于实现新方法并在广泛使用的数据集和指标上与基线进行经验比较。