neural-structured-learning

项目介绍：TensorFlow中的Neural Structured Learning

什么是Neural Structured Learning?

Neural Structured Learning（简称NSL）是一种新型的学习范式，用于通过利用结构化信号训练神经网络，除了特征输入，还可以包括显式的图形结构或者通过对抗扰动引入的隐式结构。

结构化信号通常用于表示样本之间的关系或相似性，这些样本可能是有标签的或无标签的。在神经网络训练期间利用这些信号，可以利用标签和无标签数据，从而提高模型的准确性，尤其是在标记数据量相对较少的情况下。此外，由对抗扰动生成的样本进行训练的模型被证明可以抵抗旨在误导模型预测或分类的恶意攻击。

NSL的功能

NSL框架在TensorFlow中提供了一系列易于使用的API和工具，帮助开发者利用结构化信号训练模型：

• Keras APIs：支持通过图结构（显式结构）和对抗扰动（隐式结构）进行训练。
• TensorFlow操作和函数：在使用底层TensorFlow API时，支持结构化训练。
• 工具：用于构建图形和为训练构建图形输入。

NSL框架设计灵活，可以用于训练各种神经网络类型。例如，前馈网络、卷积网络、递归神经网络等。NSL不仅可以运用于监督学习和半监督学习（少量监督），理论上还可以拓展到无监督学习。结构化信号的整合仅在训练期间进行，因此在服务/推理工作流中的性能不受影响。

如何开始

要安装预构建的NSL pip包，只需运行以下命令：

pip install neural-structured-learning

NSL要求TensorFlow的版本为1.15或更高版本，并支持TensorFlow 2.x（除了v2.1版本，该版本有一个与NSL不兼容的bug）。

视频教程与Colab示例

想要快速掌握NSL，可以查看我们的YouTube视频系列，了解框架的完整概述以及学习与结构化信号有关的多个方面。此外，我们还创建了基于Colab的实践教程，让用户可以互动探索NSL的功能，例如：

• 使用自然图进行训练
• 使用合成图进行训练
• 对抗学习

参与NSL项目

有多种方式可以参与NSL项目的开发：

• 案例研究：如果你有使用NSL的案例，欢迎通过教程、新数据集或示例模型的形式分享。
• 产品改进：通过克隆仓库进行改进并提交拉取请求，以提升NSL的产品质量和开发者体验。
• 新算法开发：研究NSL库的实现，并提出扩展现有实现的新算法。

研究项目

在NSL的研究目录中，有多个研究项目可以参考，如低维双曲知识图嵌入、邻居注意知识图推理、图协议模型用于半监督学习等。

常见问题

若在使用过程中遇到问题，可以通过GitHub的issues提交问题、错误和功能请求。有关问题也可以直接在Stack Overflow以“nsl”标签进行提问。

NSL为开源社区提供了一个强大的工具，通过结构化信号提升神经网络的表现，是一个值得关注和探索的研究领域。