PyGDA: Библиотека Python для адаптации графовых доменов

PyGDA: A Python Library for Graph Domain Adaptation

March 13, 2025

Авторы: Zhen Zhang, Meihan Liu, Bingsheng He

cs.AI

Аннотация

Адаптация графовых доменов стала перспективным подходом для облегчения передачи знаний между различными доменами. В последнее время было предложено множество моделей, направленных на улучшение их обобщающих способностей в этой области. Однако до сих пор не существует единой библиотеки, которая объединила бы существующие методы и упростила их реализацию. Чтобы заполнить этот пробел, мы представляем PyGDA — открытую библиотеку на Python, разработанную специально для адаптации графовых доменов. Будучи первой всеобъемлющей библиотекой в этой области, PyGDA охватывает более 20 широко используемых методов адаптации графовых доменов, а также различные типы графовых наборов данных. В частности, PyGDA предлагает модульные компоненты, позволяющие пользователям легко создавать собственные модели с использованием различных общеупотребительных вспомогательных функций. Для работы с крупномасштабными графами PyGDA включает поддержку таких функций, как выборка и обработка мини-пакетов, что обеспечивает эффективные вычисления. Кроме того, PyGDA также содержит всеобъемлющие тесты производительности и хорошо документированный удобный API как для исследователей, так и для практиков. Для обеспечения удобного доступа PyGDA выпущена под лицензией MIT на сайте https://github.com/pygda-team/pygda, а документация API доступна по адресу https://pygda.readthedocs.io/en/stable/.

English

Graph domain adaptation has emerged as a promising approach to facilitate knowledge transfer across different domains. Recently, numerous models have been proposed to enhance their generalization capabilities in this field. However, there is still no unified library that brings together existing techniques and simplifies their implementation. To fill this gap, we introduce PyGDA, an open-source Python library tailored for graph domain adaptation. As the first comprehensive library in this area, PyGDA covers more than 20 widely used graph domain adaptation methods together with different types of graph datasets. Specifically, PyGDA offers modular components, enabling users to seamlessly build custom models with a variety of commonly used utility functions. To handle large-scale graphs, PyGDA includes support for features such as sampling and mini-batch processing, ensuring efficient computation. In addition, PyGDA also includes comprehensive performance benchmarks and well-documented user-friendly API for both researchers and practitioners. To foster convenient accessibility, PyGDA is released under the MIT license at https://github.com/pygda-team/pygda, and the API documentation is https://pygda.readthedocs.io/en/stable/.