图深度学习已经展示了其在学习丰富的图结构数据上的有效性。并且在许多问题上取得了重大进展， 例如药物发现、社交网络、物理仿真等。许多图深度学习框架（如 PyG，DGL 等）主要关注实现基本的图深度学习模块和基础任务，比如节点分类与图分类等。但对于复杂的任务，比如图生成和图神经网络的可解释性，研究人员仍然需要花费巨大精力实现算法并与基准模型进行比较。

为了解决这一问题，德州农工大学姬水旺教授领导的 DIVE（Data Integration, Visualization and Exploration）实验室开源了首个面向复杂研究任务的图深度学习工具包 DIG（Dive into Graphs）。该工具包由实验室 16 人团队（14 个博士生，1 个本科生，1 个指导老师）历时 1 年努力完成。与 PyG 和 DGL 等图神经网络框架不同的是，DIG 聚焦于为目前热门的复杂图深度学习研究任务提供更易用、更快速并且可扩展的算法开发与对比研究平台。

目前，DIG 工具包支持 4 个研究方向：图生成、图自监督学习、图神经网络可解释性以及 3D 图深度学习。对于每个领域，DIG 都提供了通用、可扩展的数据接口、常用算法与评估标准实现。目前，DIG 涵盖 4 个研究方向的 18 个算法、33 个数据集、7 类评估指标。基于通用与可扩展的实现，未来可以将更多的方向和算法集成到 DIG 中。工具包整体结构如下图所示：

论文地址：https://arxiv.org/abs/2103.12608 项目地址：https://github.com/divelab/DIG

内容中包含的图片若涉及版权问题，请及时与我们联系删除