GNN

概要

PFNサマーインターン2019のコーディング課題
フルスクラッチでGraph Neural Networkを実装しました．

環境

g++ 8.3.0
eigen

ビルド方法

makeコマンドを実行すると，task01 ~ task04 の実行ファイルがまとめて生成されます．
make task01などとすれば，実行ファイルごとに生成されます．

実行手順

./task01で課題1の結果を標準出力に書き込みます．他の課題についても同様です．
実行時に以下のオプションでパラメータを指定できます．指定しなかった場合，括弧内の値が設定されます．
task03，task04はdatasetsがあるのと同じディレクトリに置いて実行してください．

task01

• -v : グラフの頂点数(10)
• -d : 特徴ベクトルの次元(8)
• -t : 集約の回数(2)

ランダムに生成した隣接行列，これをもとに計算したh_Gを出力します． 確認用に，(集約-1)，(集約-2)，(READOUT)を愚直に計算して求めたh_Gも出力します．

task02

• -v : グラフの頂点数(10)
• -d : 特徴ベクトルの次元(8)
• -t : 集約の回数(2)
• -l : 学習率(0.0001)

ランダムに生成した隣接行列とラベル，パラメータの更新による損失の変化を出力します．

task03

• -a : 学習アルゴリズム(0)
• -d : 特徴ベクトルの次元(8)
• -t : 集約の回数(2)
• -l : 学習率(0.0001)
• -m : モーメント(0.9)
• -p : Adamのパラメータβ₁(0.9)
• -q : Adamのパラメータβ₂(0.999)
• -b : バッチサイズ(50)
• -e : エポック数(100)

オプション-aの引数が0ならSGD，1ならmomentumSGD，2ならAdamで学習します．

学習用データでの学習が1エポック分終わるごとに，学習用データ内での平均損失，平均精度を出力します． 学習がすべて終了した後，検定用データ内での平均損失，平均精度を出力します．

task04

• -d : 特徴ベクトルの次元(8)
• -t : 集約の回数(2)
• -l : 学習率(0.001)
• -p : Adamのパラメータβ₁(0.9)
• -q : Adamのパラメータβ₂(0.999)
• -b : バッチサイズ(50)
• -e : エポック数(100)

task03と同様に，学習１エポックごとに学習用データ内での平均損失，平均精度を出力します． その後，テスト用データに対して分類を行い，予測ラベルをprediction.txtに出力します．