GraphChallenge2026 - Jittor 图神经网络挑战赛

项目简介

本项目为 2026 计图（Jittor）挑战赛赛道一 的代码仓库。

当前已完成热身赛 GCN 基线模型的实现，基于 Jittor 与 JittorGeometric 框架，在 Cora 引文网络数据集上完成节点分类任务，并生成符合比赛要求的 result.json 文件。

后续将在此仓库持续开发正式赛模型与实验代码。

---

当前完成情况

• ✅ 完成环境配置（Jittor + JittorGeometric）
• ✅ 加载 Cora 数据集（data/cora.pkl）
• ✅ 构建两层 GCN 模型
• ✅ 完成训练与验证流程
• ✅ 对测试集节点进行预测
• ✅ 生成符合比赛要求的 result.json

---

项目结构

.
├── data/
│   └── cora.pkl            # 数据集（不上传至 GitHub）
├── gcn.py                  # GCN训练与预测代码
├── README.md
└── result.json             # 预测结果（提交比赛时生成）

---

环境要求

• Python 3.10
• Jittor 1.3.x
• JittorGeometric
• CUDA（GPU 训练）

安装完成后即可运行：

python gcn.py

程序会自动：

1. 加载数据集
2. 构建 GCN 模型
3. 训练模型
4. 输出验证集准确率
5. 生成 result.json

---

数据集

本项目使用比赛提供的 Cora 引文网络数据集。

数据包含：

• 2708 个节点
• 5429 条引用边
• 1433 维节点特征
• 7 个类别

测试集标签已隐藏，需要模型预测生成提交结果。

---

提交文件

比赛提交格式如下：

result.zip
├── gcn.py
└── result.json

其中：

• gcn.py：模型训练与预测代码
• result.json：测试集预测结果

---

后续计划

• 尝试更优的超参数配置
• 引入 GraphSAGE、GAT 等图神经网络模型进行比较
• 优化模型泛化能力，提高测试集分类准确率
• 完成正式赛模型开发

---

队伍信息

2026 计图挑战赛参赛项目

框架：Jittor + JittorGeometric