PyTorch GeometricでGraph Neural Network（GNN）入門

こんにちは。

現役エンジニアの”はやぶさ”@Cpp_Learningです。仕事でもプライベートでも機械学習で色々やってます。

今回はGraph Neural Network（以下 GNN）について勉強したので、備忘録も兼ねて本記事を書きます。

データ構造とグラフ

ここでいうグラフとは折れ線グラフや棒グラフではなく、下図のようなデータ構造のことをグラフと呼びます。

引用元：Deep Graph Library Blog（2019/01/25）

例えば、以下に示すネットワークや分子構造、３Dデータなどもグラフといえます。

インターネット
Web
交通網
SNS（FacebookやTwitterなど）
分子構造（化合物など）
神経回路
３Dデータのポリゴン

データとデータが繋がったものという意味で、画像（隣り合うピクセル）やテキスト（文字列）もグラフとして表現できます。

引用元：機は熟した！グラフ構造に対するDeep Learning、Graph Convolutionのご紹介

グラフとは -ノードとエッジなどの用語について-

SNSや分子構造などの様々なデータが下図のようなグラフで表現できます。

グラフの用語について簡単に整理したものが以下です。

グラフ関連の用語

ノード（node）：データ
エッジ（edge）：ノード間の関係、相互作用
有向エッジ：向きがあるエッジ
無向エッジ：向きがないエッジ
有向グラフ：有向エッジがあるグラフ
無向グラフ：有向エッジがないグラフ
ループ（loop）：エッジが１つのノードにしか繋がっていないもの
孤立ノード（isolation）：ノードが孤立しているもの
属性：各ノードや各エッジがもつパラメータ（≒特徴量）
ノードの位置情報：あり/なし
ラベル：あり/なし ※
重み：あり/なし

※上図だと色でラベルを表現

例えば、SNSの場合は以下の通りです。

ノード（node）：人（アカウント名）
エッジ（edge）：フォロー関係（相互フォローなど）
ノード属性：アカウント情報（生年月日など）

問題設定 -グラフと深層学習（GNN）-

グラフと深層学習（GNN）の活用により、解決できる問題（タスク）の例を紹介します。

グラフ分類

化合物の場合、グラフから毒性の有無などを分類することができます。

深層学習によるグラフ分類ができれば、未知の化合物に対し、毒性の有無などを予測できるようになります。

ノード分類

赤チーム・青チームで対戦するゲームの各キャラクタ相関図（グラフ）が下図だとします（所属が不明なノードはグレーで表現）。

同じチーム内でも交友の有無があり、敵同士でもライバル関係などのエッジが存在します。

各ノードとエッジの情報から、グレーの所属（ラベル）を分類できれば、分類結果を考慮した戦略を検討できます（情報戦）。

このような各ノードのラベルを予測するノード分類にも深層学習が活用できます。

リンク予測

Amazonなどの購入履歴をグラフで表現したものが下図だとします。

カバン👜を購入する人は、革靴👞も一緒に購入する
革靴👞のページをn日間でm回以上閲覧している人は購入する

など

もし上記の関係性を予測できるなら、潜在的な顧客の発見に繋がります。このような関係性の予測（リンク予測）にも深層学習を活用できます。

本記事では分類タスクのみを紹介しましたが、回帰タスクもあります。

Graph Neural Network（GNN）とは

グラフの概要や深層学習（GNN）で解決できる問題（タスク）について説明したので、今度はGNN（主にGCN）のアルゴリズムについて説明します。

GNN・GCNについて

よくわかる Gated Graph Neural Network (GGNN)の記事で紹介している以下の動画がとても分かりやすいです。

この動画でイメージを掴んだら、次はGraph Convolutional Network（GCN）について学びます。以下の２つスライドがオススメです。

グラフニューラルネットワーク入門 from ryosuke-kojima

グラフデータ分析入門編 from 順也山口

最後に数式の意味を深く学びたい人のために、以下の記事をオススメしておきます。

はやぶさ

どの資料も大変勉強になりました！ありがとうございます。

Graph Neural Network（GNN）実践

各資料でGNNのアルゴリズムを勉強したので、次は実践します！

Graph Neural Network（GNN）ライブラリ

どのGNNライブラリを使うか迷ったので、Twitterのアンケート機能を使ってみました。

GNNライブラリってどれが主流なの？
使ってるライブラリ教えて下さい。

— はやぶさ (@Cpp_Learning) April 3, 2020

アンケートにご回答いただき、ありがとうございました。ユーザーの多い PyTorch Geometric を使ってGNNを実践します。

インストール

メインで使用するライブラリは以下の通りです。

Requirements

PyTorch Geometric 1.4.3
PyTorch 1.4.0
CUDA 10.1

※Google Colaboratoryで動作確認しました（2020/04/18）

まずはGoogle Colaboratoryにプリインストールしてあるライブラリのバージョンを確認します。

import torch
print("PyTorch ==", torch.__version__)
print("CUDA available", torch.cuda.is_available())
print("CUDA ==", torch.version.cuda)

import torch

print("PyTorch ==", torch.__version__)

print("CUDA available", torch.cuda.is_available())

print("CUDA ==", torch.version.cuda)

PyTorch == 1.4.0
CUDA available True
CUDA == 10.1

CUDAについては以下のコマンドでも確認できます。


!nvcc --version

!nvcc --version

※CUDAのバージョンに注意！

PyTorch Geometric｜公式のインストール手順だと失敗するので、解決策を参考に以下のコマンドでインストールします。


!pip install torch-scatter==latest+cu101 torch-sparse==latest+cu101 -f https://s3.eu-central-1.amazonaws.com/pytorch-geometric.com/whl/torch-1.4.0.html
!pip install torch-geometric

!pip install torch-scatter==latest+cu101 torch-sparse==latest+cu101 -f https://s3.eu-central-1.amazonaws.com/pytorch-geometric.com/whl/torch-1.4.0.html

!pip install torch-geometric

以上でPyTorch Geometricを使う環境が準備できました。以降からソースコードを書いてきます。

PyTorch Geometricの基本的な使い方 -グラフ作成-

まずは下図の有向グラフ（ノードに属性とラベルあり）を作成してみます。

PyTorch Geometricを使えば、以下のコードで簡単にグラフを作成できます。

import torch
from torch_geometric.data import Data

# ノード
src = [0, 1, 2]  # 送信側
dst = [1, 2, 1]  # 受信側

# エッジ
edge_index = torch.tensor([src, dst], dtype=torch.long)

# ノードの特徴量
x0 = [1, 2]
x1 = [3, 4]
x2 = [5, 6]
x = torch.tensor([x0, x1, x2], dtype=torch.float)

# ラベル
y0 = [1]
y1 = [0]
y2 = [1]
y = torch.tensor([y0, y1, y2], dtype=torch.float)

data = Data(x=x, y=y, edge_index=edge_index)

import torch

from torch_geometric.data import Data

# ノード

src = [0, 1, 2] # 送信側

dst = [1, 2, 1] # 受信側

# エッジ

edge_index = torch.tensor([src, dst], dtype=torch.long)

# ノードの特徴量

x0 = [1, 2]

x1 = [3, 4]

x2 = [5, 6]

x = torch.tensor([x0, x1, x2], dtype=torch.float)

# ラベル

y0 = [1]

y1 = [0]

y2 = [1]

y = torch.tensor([y0, y1, y2], dtype=torch.float)

data = Data(x=x, y=y, edge_index=edge_index)

edge_indexでエッジを定義します。今回の場合「0⇒1, 1⇒2, 2⇒1」とメッセージを伝播させたいので、コードの4~9行目で設定しています。

各ノードの属性（特徴量）とラベルはtorch.tensorで定義します（コード 15行目、21行目）。

最後にDataモジュールでグラフを作成します（コード 23行目）。

慣れてくれば、以下のような短いコードでグラフを作成できます。

import torch
from torch_geometric.data import Data

# エッジ
edge_index = torch.tensor([[0, 1, 2],
                           [1, 2, 1]], dtype=torch.long)

# ノードの特徴量
x = torch.tensor([[1, 2], [3, 4], [5, 6]], dtype=torch.float)

# ラベル
y = torch.tensor([[1], [0], [1]], dtype=torch.float)

data = Data(x=x, y=y, edge_index=edge_index)

import torch

from torch_geometric.data import Data

# エッジ

edge_index = torch.tensor([[0, 1, 2],

[1, 2, 1]], dtype=torch.long)

# ノードの特徴量

x = torch.tensor([[1, 2], [3, 4], [5, 6]], dtype=torch.float)

# ラベル

y = torch.tensor([[1], [0], [1]], dtype=torch.float)

data = Data(x=x, y=y, edge_index=edge_index)

今回は各ノードの特徴量とラベルを定義してますが、edge_indexだけでもグラフを生成できます

グラフ情報の確認

作成したグラフを以下の自作関数で確認します。

def check_graph(data):
    '''グラフ情報を表示'''
    print("グラフ構造:", data)
    print("グラフのキー: ", data.keys)
    print("ノード数:", data.num_nodes)
    print("エッジ数:", data.num_edges)
    print("ノードの特徴量数:", data.num_node_features)
    print("孤立したノードの有無:", data.contains_isolated_nodes())
    print("自己ループの有無:", data.contains_self_loops())
    print("====== ノードの特徴量:x ======")
    print(data['x'])
    print("====== ノードのクラス:y ======")
    print(data['y'])
    print("========= エッジ形状 =========")
    print(data['edge_index'])

check_graph(data)

def check_graph(data):

'''グラフ情報を表示'''

print("グラフ構造:", data)

print("グラフのキー: ", data.keys)

print("ノード数:", data.num_nodes)

print("エッジ数:", data.num_edges)

print("ノードの特徴量数:", data.num_node_features)

print("孤立したノードの有無:", data.contains_isolated_nodes())

print("自己ループの有無:", data.contains_self_loops())

print("====== ノードの特徴量:x ======")

print(data['x'])

print("====== ノードのクラス:y ======")

print(data['y'])

print("========= エッジ形状 =========")

print(data['edge_index'])

check_graph(data)

グラフ構造: Data(edge_index=[2, 3], x=[3, 2], y=[3, 1])
グラフのキー: [‘x’, ‘edge_index’, ‘y’]
ノード数: 3
エッジ数: 3
ノードの特徴量数: 2
孤立したノードの有無: False
自己ループの有無: False
====== ノードの特徴量:x ======
tensor([[1., 2.], [3., 4.], [5., 6.]])
====== ノードのクラス:y ======
tensor([[1.], [0.], [1.]])
======== エッジ形状 ========
tensor([[0, 1, 2], [1, 2, 1]])

ちゃんと下図のグラフを作成できてますね。

Graph Convolutional Network（GCN）実践

PyTorch Geometricによるグラフの扱い方が分かったので、今度はGCNによるノード分類を実践します。

Import

最初はimportから

import torch
import torch.nn.functional as F

from torch_geometric.nn import GCNConv
from torch_geometric.data import Data
from torch_geometric.datasets import KarateClub
# import torch_geometric.transforms as T
from torch_geometric.utils import to_networkx

import networkx as nx
from matplotlib import pyplot as plt
import numpy as np

import torch

import torch.nn.functional as F

from torch_geometric.nn import GCNConv

from torch_geometric.data import Data

from torch_geometric.datasets import KarateClub

# import torch_geometric.transforms as T

from torch_geometric.utils import to_networkx

import networkx as nx

from matplotlib import pyplot as plt

import numpy as np

データセットのダウンロード

自作グラフのデータセットを作成しても良いのですが、今回はGNN界隈のMNISTに相当する空手クラブのデータセットを使います。

# データセットをダウンロード
dataset = KarateClub()

print("グラフ数:", len(dataset))  # グラフ数: 1
print("クラス数:",dataset.num_classes)  # クラス数: 2

data = dataset[0]  # 1つめのグラフ
check_graph(data)

# データセットをダウンロード

dataset = KarateClub()

print("グラフ数:", len(dataset)) # グラフ数: 1

print("クラス数:",dataset.num_classes) # クラス数: 2

data = dataset[0] # 1つめのグラフ

check_graph(data)

グラフ数: 1
クラス数: 2
グラフ構造: Data(edge_index=[2, 156], x=[34, 34], y=[34])
グラフのキー: [‘x’, ‘edge_index’, ‘y’]
ノード数: 34
エッジ数: 156
ノードの特徴量数: 34
孤立したノードの有無: False
自己ループの有無: False
====== ノードの特徴量:x ======
tensor([[1., 0., 0., …, 0., 0., 0.],
[0., 1., 0., …, 0., 0., 0.],
[0., 0., 1., …, 0., 0., 0.],
…,
[0., 0., 0., …, 1., 0., 0.],
[0., 0., 0., …, 0., 1., 0.],
[0., 0., 0., …, 0., 0., 1.]])
==== ノードのクラス:y ====
tensor([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
========= エッジ形状 =========
tensor([[ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 3, 4, 4, 4, 5, 5, 5, 5, 6, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8, 8, 9, 9, 10, 10, 10, 11, 12, 12, 13, 13, 13, 13, 13, 14, 14, 15, 15, 16, 16, 17, 17, 18, 18, 19, 19, 19, 20, 20, 21, 21, 22, 22, 23, 23, 23, 23, 23, 24, 24, 24, 25, 25, 25, 26, 26, 27, 27, 27, 27, 28, 28, 28, 29, 29, 29, 29, 30, 30, 30, 30, 31, 31, 31, 31, 31, 31, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 32, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33, 33],
[ 1, 2, 3, 4, 5, 6, 7, 8, 10, 11, 12, 13, 17, 19, 21, 31, 0, 2, 3, 7, 13, 17, 19, 21, 30, 0, 1, 3, 7, 8, 9, 13, 27, 28, 32, 0, 1, 2, 7, 12, 13, 0, 6, 10, 0, 6, 10, 16, 0, 4, 5, 16, 0, 1, 2, 3, 0, 2, 30, 32, 33, 2, 33, 0, 4, 5, 0, 0, 3, 0, 1, 2, 3, 33, 32, 33, 32, 33, 5, 6, 0, 1, 32, 33, 0, 1, 33, 32, 33, 0, 1, 32, 33, 25, 27, 29, 32, 33, 25, 27, 31, 23, 24, 31, 29, 33, 2, 23, 24, 33, 2, 31, 33, 23, 26, 32, 33, 1, 8, 32, 33, 0, 24, 25, 28, 32, 33, 2, 8, 14, 15, 18, 20, 22, 23, 29, 30, 31, 33, 8, 9, 13, 14, 15, 18, 19, 20, 22, 23, 26, 27, 28, 29, 30, 31, 32]])

空手クラブの情報を簡単に整理すると以下の通りです。

会員数（ノード数）：34
特徴量x：ノード番号（会員ナンバー）をone-hotベクトルで定義
ラベルy：”0”または”1″の2クラス（2グループ）
交友関係（エッジ数）：156
グラフの種類：無向グラフ※

※各ノード間を有効エッジで相互に接続（0⇒1, 1⇒0など）することで無向グラフとして表現することがあります

グラフ構造の可視化

PyTorch Geometricにはグラフ構造を可視化する関数がないため、NetworkXを使って可視化します（ここのコードやここのコードを参考にしました）。

# networkxのグラフに変換
nxg = to_networkx(data)

# 可視化のためのページランク計算
pr = nx.pagerank(nxg)
pr_max = np.array(list(pr.values())).max()

# 可視化する際のノード位置
draw_pos = nx.spring_layout(nxg, seed=0) 

# ノードの色設定
cmap = plt.get_cmap('tab10')
labels = data.y.numpy()
colors = [cmap(l) for l in labels]

# 図のサイズ
plt.figure(figsize=(10, 10))

# 描画
nx.draw_networkx_nodes(nxg, 
                       draw_pos,
                       node_size=[v / pr_max * 1000 for v in pr.values()],
                       node_color=colors, alpha=0.5)
nx.draw_networkx_edges(nxg, draw_pos, arrowstyle='-', alpha=0.2)
nx.draw_networkx_labels(nxg, draw_pos, font_size=10)

plt.title('KarateClub')
plt.show()

# networkxのグラフに変換

nxg = to_networkx(data)

# 可視化のためのページランク計算

pr = nx.pagerank(nxg)

pr_max = np.array(list(pr.values())).max()

# 可視化する際のノード位置

draw_pos = nx.spring_layout(nxg, seed=0)

# ノードの色設定

cmap = plt.get_cmap('tab10')

labels = data.y.numpy()

colors = [cmap(l) for l in labels]

# 図のサイズ

plt.figure(figsize=(10, 10))

# 描画

nx.draw_networkx_nodes(nxg,

draw_pos,

node_size=[v / pr_max * 1000 for v in pr.values()],

node_color=colors, alpha=0.5)

nx.draw_networkx_edges(nxg, draw_pos, arrowstyle='-', alpha=0.2)

nx.draw_networkx_labels(nxg, draw_pos, font_size=10)

plt.title('KarateClub')

plt.show()

空手クラブ

可視化によりリーダー格のノード”0”とノード”33”を中心とした２グループの存在が明確になりました。

またノード”8”やノード”9”は両グループと交友関係があることも分かります（伏線）。

この空手クラブのデータセットを使ってノード分類を実践します。

モデル設計

PyTorch Geometricは GCNConv などのメジャーなLayers をサポートしているので、ピュアPyTorchと同じ感覚でモデルを設計できます。

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        hidden_size = 5
        self.conv1 = GCNConv(dataset.num_node_features, hidden_size)
        self.conv2 = GCNConv(hidden_size, dataset.num_classes)
    
    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        # x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        
        return F.log_softmax(x, dim=1)

class Net(torch.nn.Module):

def __init__(self):

super(Net, self).__init__()

hidden_size = 5

self.conv1 = GCNConv(dataset.num_node_features, hidden_size)

self.conv2 = GCNConv(hidden_size, dataset.num_classes)

def forward(self, data):

x, edge_index = data.x, data.edge_index

x = self.conv1(x, edge_index)

x = F.relu(x)

# x = F.dropout(x, training=self.training)

x = self.conv2(x, edge_index)

return F.log_softmax(x, dim=1)

ピュアPyTorchと同じコードが使えます

各種設定

以下のコードで各種の設定を行います。

# デバイス設定
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# モデルのインスタンス生成
model = Net()
# print(model)

# モデルを訓練モードに設定
model.train()

# デバイス設定

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# モデルのインスタンス生成

model = Net()

# print(model)

# モデルを訓練モードに設定

model.train()

学習

入力データ（入力するグラフ）、オプティマイザ設定、学習ループのコードは以下の通りです。

# input data
data = dataset[0]

# optimizer
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
# optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# learnig loop
for epoch in range(100):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out, data.y)
    loss.backward()
    optimizer.step()
    print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))

# input data

data = dataset[0]

# optimizer

optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# learnig loop

for epoch in range(100):

optimizer.zero_grad()

out = model(data)

loss = F.nll_loss(out, data.y)

loss.backward()

optimizer.step()

print('Epoch %d | Loss: %.4f' % (epoch, loss.item()))

推論

以下のコードで推論します。

# モデルを評価モードに設定
model.eval()

# 推論
_, pred = model(data).max(dim=1)

print("結果：", pred)
print("真値：", data[0]["y"])

# モデルを評価モードに設定

model.eval()

# 推論

_, pred = model(data).max(dim=1)

print("結果：", pred)

print("真値：", data[0]["y"])

結果： tensor([0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
真値： tensor([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

ノード”8”を誤分類していることが分かります。

ノード”8”は両グループのリーダーと交流があるため、ラベル（所属）の判断が難しかったと考えられます

テストデータ作成

学習に未使用のテストデータでも推論してみます。空手クラブのデータセットを活用し、交友関係（リンク）を一部変更したグラフを作成します。

test_dataset = KarateClub()
test_data = test_dataset[0]

x = test_data["x"]
edge_index = test_data['edge_index']

# change link of ID:0, ID:2, ID:8, ID:9 and ID:33
edge_index[1][61] = 0  # 「ノード9⇒ノード2」から「ノード9⇒ノード0」にリンク変更
edge_index[1][7] = 9   # 「ノード0⇒ノード8」から「ノード0⇒ノード9」にリンク変更
edge_index[1][56] = 9   # 「ノード8⇒ノード0」から「ノード8⇒ノード9」にリンク変更
edge_index[1][62] = 8   # 「ノード9⇒ノード33」から「ノード9⇒ノード8」にリンク変更
edge_index[1][140] = 2  # 「ノード33⇒ノード9」から「ノード33⇒ノード2」にリンク変更
edge_index[1][30] = 33  # 「ノード2⇒ノード9」から「ノード2⇒ノード33」にリンク変更

t_data = Data(x=x, edge_index=edge_index)
check_graph(t_data)

test_dataset = KarateClub()

test_data = test_dataset[0]

x = test_data["x"]

edge_index = test_data['edge_index']

# change link of ID:0, ID:2, ID:8, ID:9 and ID:33

edge_index[1][61] = 0 # 「ノード9⇒ノード2」から「ノード9⇒ノード0」にリンク変更

edge_index[1][7] = 9 # 「ノード0⇒ノード8」から「ノード0⇒ノード9」にリンク変更

edge_index[1][56] = 9 # 「ノード8⇒ノード0」から「ノード8⇒ノード9」にリンク変更

edge_index[1][62] = 8 # 「ノード9⇒ノード33」から「ノード9⇒ノード8」にリンク変更

edge_index[1][140] = 2 # 「ノード33⇒ノード9」から「ノード33⇒ノード2」にリンク変更

edge_index[1][30] = 33 # 「ノード2⇒ノード9」から「ノード2⇒ノード33」にリンク変更

t_data = Data(x=x, edge_index=edge_index)

check_graph(t_data)

変更前後のグラフは以下の通りです。

変更前

変更後

変更点

ノード”2”とノード”33”のリンクを接続
ノード”8”とノード”０”のリンクを切る
ノード”9”とノード”33”のリンクを切る
ノード”9”とノード”０”のリンクを接続

など

要するにリーダとの交友関係の有無（リンク変更）により、モデルのラベル予測（ノード分類結果）がどう変わるかを検証するために、グラフに色々と手を加えました。

モデルがリーダとの交友関係を考慮して、ノード分類をしているか検証
GNNとモデルの説明性に興味津々

リンク変更によるノード分類結果について

リンク変更後のグラフに対し、学習済みモデルによるノード分類（ラベル予測）を行います。

model.eval() #モデルを評価モードにする。
_, pred = model(t_data).max(dim=1)

print(" ======== リンク変更前のラベル ======== ")
print(data["y"])
print(" ==== リンク変更後のラベル予測結果 ==== ")
print(pred)

model.eval() #モデルを評価モードにする。

_, pred = model(t_data).max(dim=1)

print(" ======== リンク変更前のラベル ======== ")

print(data["y"])

print(" ==== リンク変更後のラベル予測結果 ==== ")

print(pred)

======== リンク変更前のラベル ========
tensor([0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
==== リンク変更後のラベル予測結果 ====
tensor([0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

ノード分類結果を反映したグラフが下図です。

リンク変更前

リンク変更後