DGCNN : Réseau neuronal convolutif de graphes désordonnés basé sur le modèle de mélange gaussien

Les réseaux de neurones convolutifs (CNNs) peuvent être appliqués au couplage de similarité de graphes, dans ce cas ils sont appelés CNNs de graphes. Les CNNs de graphes attirent une attention croissante en raison de leur efficacité et de leur rapidité. Cependant, les approches de convolution existantes ne se concentrent que sur des formes de données régulières et nécessitent la transformation du graphe ou des voisinages clés des nœuds du graphe en une même forme fixe. Au cours de ce processus de transformation, des informations structurales du graphe peuvent être perdues, et certaines informations redondantes peuvent être intégrées. Pour surmonter ce problème, nous proposons le réseau neuronal convolutif désordonné (DGCNN) basé sur le modèle gaussien mixte, qui étend le CNN en ajoutant une couche prétraitement appelée couche convolutive désordonnée de graphe (DGCL). La DGCL utilise une fonction gaussienne mixte pour réaliser l'application entre le noyau convolutif et les nœuds dans le voisinage du graphe. La sortie de la DGCL est l'entrée du CNN. Nous mettons également en œuvre un processus d'optimisation par rétropropagation de la couche convolutive, par lequel nous intégrons le modèle d'apprentissage des caractéristiques de la structure du voisinage irrégulier des nœuds dans le réseau. Par conséquent, l'optimisation du noyau convolutif devient partie intégrante du processus d'apprentissage du réseau neuronal. Le DGCNN peut accepter des structures de graphes voisins à échelle arbitraire et désordonnées comme champs récepteurs des CNNs, ce qui réduit la perte d'informations lors de la transformation du graphe. Enfin, nous effectuons des expériences sur plusieurs jeux de données standards de graphes. Les résultats montrent que la méthode proposée surpassent les méthodes les plus avancées actuellement disponibles en classification et recherche de graphes.Note: - "Disordered" has been translated as "désordonné" to maintain the meaning of being unordered or irregular.- "Mixed Gaussian model" is translated as "modèle gaussien mixte," which is a common term in French for this concept.- The term "receptive fields" is translated as "champs récepteurs," which is the standard translation in the context of neural networks.- All other technical terms have been translated using their standard French equivalents in the field of technology and science.