pyg-team/pytorch_geometric

Convert heterogeneous NetworkX graph to HeteroData without normalizing features across node types

Open

#7.340 geöffnet am 10. Mai 2023

Auf GitHub ansehen
 (7 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (3.514 Forks)batch import
0 - Priority P0featurehelp wanted

Repository-Metriken

Stars
 (19.985 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 35T 1h) (14 gemergte PRs in 30 T)

Beschreibung

🚀 The feature, motivation and pitch

I am working on converting a heterogeneous NetworkX graph to HeteroData. Here is an example that I would like to see working:

nodes_types = torch.tensor([1, 2, 3])
nx_graph = nx.MultiGraph()
nx_graph.add_node(0, type=1, foo=4.97, bar=torch.tensor([9, 8]))
nx_graph.add_node(1, type=2, foo=4.97)
nx_graph.add_node(2, type=3)
pyg.utils.from_networkx(nx_graph, group_node_attrs=['type', 'foo', 'bar'])

which currently throws raise ValueError('Not all nodes contain the same attributes').

I know that my graph is heterogeneous, but to convert from NetworkX to HeteroData, I need to manually normalize all of the node attributes. I would like to not have to write my own conversion layer.

Alternatives

N/A

Additional context

N/A

Contributor Guide

Research-Richtung
Betrachten Sie die Funktion `from networkx` in `torch geometric/utils/convert.py`. Verstehen Sie, wie `group node attrs` funktioniert, und ändern Sie sie so, dass fehlende Attribute über Knotentypen hinweg erlaubt sind. Stellen Sie sicher, dass die resultierende HeteroData die Features pro Knotentyp korrekt speichert, ohne dass alle Knoten dieselben Attribute haben müssen. Überprüfen Sie vorhandene Tests und fügen Sie neue Testfälle hinzu.
Tech Stack
pythonpytorch
Domain
machine learningdata
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Halber Tag
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonPyTorchNetworkX
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
65