Réseaux Neuronaux de Séquences de Graphes Gated

Les données structurées en graphe apparaissent fréquemment dans des domaines tels que la chimie, la sémantique des langues naturelles, les réseaux sociaux et les bases de connaissances. Dans cette étude, nous examinons des techniques d'apprentissage de caractéristiques pour des entrées structurées en graphe. Notre point de départ est le travail précédent sur les Réseaux Neuronaux de Graphe (Scarselli et al., 2009), que nous modifions pour utiliser des unités récurrentes à portes et des techniques d'optimisation modernes, puis que nous étendons pour produire des séquences en sortie. Le résultat est une classe flexible et largement utile de modèles de réseau neuronal qui présente des biais inductifs favorables par rapport aux modèles purement basés sur les séquences (par exemple, LSTM) lorsque le problème est structuré en graphe. Nous démontrons ces capacités sur quelques tâches simples d'IA (bAbI) et d'apprentissage d'algorithmes de graphe. Nous montrons ensuite qu'elle atteint des performances de pointe sur un problème issu de la vérification de programmes, où il est nécessaire de faire correspondre des sous-graphes à des structures de données abstraites.