Key points are not available for this paper at this time.
Graphen codieren wichtige strukturelle Eigenschaften komplexer Systeme. Maschinelles Lernen auf Graphen hat sich daher als wichtige Technik in der Forschung und Anwendung herausgebildet. Wir präsentieren Karate Club - ein Python-Framework, das mehr als 30 moderne Graph-Mining-Algorithmen kombiniert. Diese unbeaufsichtigten Techniken erleichtern das Identifizieren und Darstellen gemeinsamer Graphmerkmale. Das Hauptziel des Pakets ist es, die Gemeinschaftserkennung, Knoten- und gesamte Graph-Embedding einem breiten Publikum von Forschern und Praktikern im Bereich des maschinellen Lernens zugänglich zu machen. Karate Club ist mit einem Fokus auf eine konsistente Anwendungsoberfläche, Skalierbarkeit, Benutzerfreundlichkeit, sinnvoller Modellverhalten ohne weitere Anpassung, standardisierte Datensatzaufnahme und Ausgabeerzeugung konzipiert. Dieses Papier erörtert die Entwurfprinzipien hinter dem Framework mit praktischen Beispielen. Wir zeigen die Effizienz von Karate Club in der Lernerleistung bei einer breiten Palette von realen Clusterproblemen und Klassifikationsaufgaben sowie unterstützende Beweise für seine wettbewerbsfähige Geschwindigkeit.
Rózemberczki et al. (Mon,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: