#graph-neural-networks Dépôts
Découvrez 91 dépôts GitHub open source actifs associés à #graph-neural-networks, cumulant 192,913 étoiles au total (soit une moyenne de 2,119 étoiles par projet). Le projet en tête de ce thème est pyg-team/pytorch_geometric, avec 24,149 étoiles.
91 dépôts au total
Ce dépôt contient des implémentations et du code illustratif pour accompagner les publications de DeepMind.
Paquet Python conçu pour faciliter l'apprentissage profond sur les graphes, sur des frameworks DL existants.
Plongez dans le Deep Learning, l'Apprentissage par Renforcement, le Machine Learning, la Vision par Ordinateur et le NLP en apprenant de ces conférences passionnantes !!
Livres, articles, vidéos et boîtes à outils liés à la détection d'anomalies. Dernière mise à jour fin 2025 pour les travaux sur les LLM et les VLM !
Liens vers les publications de conférences en apprentissage profond basé sur les graphes
RuVector fournit une prise de décision et une mémoire d’agents haute performance en temps réel, une IA auto-apprenante et une base de données GNN vectorielle développée en Rust.
SuperGlue : Apprentissage de la Correspondance de Caractéristiques avec des Réseaux de Neurones Graphiques (CVPR 2020, Oral)
Apprentissage de représentations sur de grands graphes en utilisant des convolutions de graphes stochastiques.
🔨 🍇 💻 🚀 GraphScope: Un système complet pour le calcul de graphes à grande échelle d'Alibaba | Système complet pour le calcul de graphes
Collection d'interprétations d'articles AI for Science (mise à jour continue), téléchargement d'articles/jeux de données/tutoriels : hyper.ai
PyTorch Geometric Temporal : Traitement des signaux spatiotemporels avec des modèles d'apprentissage automatique neuronal (CIKM 2021)
Ensembles de données de référence, chargeurs de données et évaluateurs pour l'apprentissage automatique sur graphes
Transformer les relations géospatiales en graphes pour les réseaux de neurones graphiques et l'analyse de réseaux spatiaux
Informations académiques complètes et opportunes sur l'apprentissage fédéré (articles, frameworks, ensembles de données, tutoriels, ateliers)
Une liste organisée d'articles et de ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basée sur les graphes/transformateurs
😎 Une liste à jour et organisée d'articles, de méthodes et de ressources géniaux sur l'apprentissage semi-supervisé.
CogDL : Une bibliothèque complète pour l'apprentissage profond sur graphes (WWW 2023)
Réseau Convolutif de Graphes Temporel pour la Prévision du Flux de Trafic Urbain Méthode
Articles sur le pré-entraînement et l'apprentissage auto-supervisé sur les réseaux de neurones graphiques (GNN).
Ce dépôt vise à soutenir les contributions pour les outils du jeu de données Project CodeNet hébergé dans DAX
Graph4nlp est la bibliothèque pour l'utilisation facile des réseaux de neurones graphiques pour le NLP. Bienvenue sur notre site web DLG4NLP (https://dlg4nlp.github.io/index.html) pour diverses ressources d'apprentissage !
Une plateforme d'apprentissage automatique puissante et flexible pour la découverte de médicaments
Code pour le document SIGGRAPH 2020 "RigNet: Neural Rigging pour Personnages Articulés"
Code pour l'article TKDE « Apprentissage auto-supervisé sur les graphes : Contrastif, génératif ou prédictif »
ktrain est une bibliothèque Python qui rend l'apprentissage profond et l'IA plus accessibles et plus faciles à appliquer
Ceci est le référentiel pour la collection de réseaux de neurones graphiques pour la prévision du trafic.
Un framework et une boîte à outils AutoML pour l'apprentissage automatique sur les graphes.
Une bibliothèque adversarial PyTorch pour les méthodes d'attaque et de défense sur les images et les graphes
Hands-On Graph Neural Networks avec Python, publié par Packt
[IEEE T-KDE 2026] Awesome Deep Graph Clustering est une collection de méthodes de clustering de graphes profonds (SOTA), innovantes (articles, codes et jeux de données).
Détection sémantique conjointe et contrôle de la dissémination des attaques de phishing sur les réseaux sociaux par modélisation basée sur LLama
Il s'agit d'une boîte à outils open-source pour les réseaux de neurones sur graphes hétérogènes (OpenHGNN) basée sur DGL.
Foire aux questions
Quel est le dépôt #graph-neural-networks le plus populaire sur GitHub ?
Le projet #graph-neural-networks open source le mieux classé sur GitHub est pyg-team/pytorch_geometric, avec 24,149 étoiles. Bibliothèque de Réseaux de Neurones Graphiques pour PyTorch
Quels langages de programmation sont les plus utilisés dans les dépôts #graph-neural-networks ?
Parmi les projets #graph-neural-networks les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, HTML.
Comment le classement des dépôts #graph-neural-networks est-il calculé ?
Nous suivons 91 dépôts open source actifs associés à #graph-neural-networks (500+ étoiles), totalisant 192,913 étoiles, avec une moyenne de 2,119 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.