GraphGAN : Apprentissage de représentations de graphes avec des réseaux adversariaux générateurs

L'objectif de l'apprentissage de représentation de graphe est d'immerger chaque sommet dans un espace vectoriel de faible dimension. Les méthodes actuelles d'apprentissage de représentation de graphe peuvent être classées en deux catégories : les modèles génératifs qui apprennent la distribution sous-jacente des connexions dans le graphe, et les modèles discriminants qui prédit la probabilité d'existence d'une arête entre une paire de sommets. Dans cet article, nous proposons GraphGAN, un cadre novateur d'apprentissage de représentation de graphe qui unifie ces deux classes de méthodes, dans lequel le modèle génératif et le modèle discriminant jouent un jeu théorique minimax. Plus précisément, pour un sommet donné, le modèle génératif tente d'ajuster sa véritable distribution de connexité sous-jacente à l'ensemble des autres sommets et produit des échantillons « faux » pour tromper le modèle discriminant, tandis que le modèle discriminant tente de détecter si le sommet échantillonné provient du sol ou a été généré par le modèle génératif. Grâce à la compétition entre ces deux modèles, leurs performances peuvent s'améliorer alternativement et itérativement. De plus, lorsqu'il s'agit de mettre en œuvre le modèle génératif, nous proposons une nouvelle fonction graph softmax pour surmonter les limitations de la fonction softmax traditionnelle, qui peut être démontrée comme satisfaisant des propriétés souhaitables telles que la normalisation, la prise en compte de la structure du graphe et l'efficacité computationnelle. Par des expériences approfondies sur des jeux de données réels, nous montrons que GraphGAN réalise des gains substantiels dans diverses applications, notamment la prédiction de liens, la classification de nœuds et les recommandations, par rapport aux méthodes baselines les plus avancées.Note: "graph softmax" est traduit littéralement par "fonction graph softmax" car il s'agit d'un terme technique spécifique au domaine. Si ce terme est couramment utilisé dans une autre forme en français dans votre domaine d'expertise, veuillez me le faire savoir pour ajuster la traduction en conséquence.