Apprentissage de représentations graphiques hiérarchiques avec un pooling différentiable

Récemment, les réseaux neuronaux sur graphes (GNNs) ont révolutionné le domaine de l'apprentissage des représentations de graphes grâce à des plongements de nœuds appris efficacement, et ont obtenu des résultats d'état de l'art dans des tâches telles que la classification de nœuds et la prédiction de liens. Cependant, les méthodes actuelles de GNN sont fondamentalement plates et ne parviennent pas à apprendre des représentations hiérarchiques de graphes --- une limitation particulièrement problématique pour la tâche de classification de graphes, où l'objectif est de prédire l'étiquette associée à un graphe entier. Nous proposons ici DiffPool, un module de regroupement graphique différentiable qui peut générer des représentations hiérarchiques de graphes et être combiné avec diverses architectures de réseaux neuronaux sur graphes d'une manière bout-à-bout. DiffPool apprend une attribution différentiable et douce de clusters pour les nœuds à chaque couche d'un GNN profond, en mappant les nœuds vers un ensemble de clusters, qui forment ensuite l'entrée grossière pour la couche suivante du GNN. Nos résultats expérimentaux montrent que la combinaison des méthodes existantes de GNN avec DiffPool entraîne une amélioration moyenne de 5 à 10 % en précision sur les benchmarks de classification de graphes, comparativement à toutes les approches existantes de regroupement, atteignant ainsi un nouvel état de l'art sur quatre des cinq jeux de données基准数据集 (benchmark data sets). 注：最后一句中的“基准数据集”在法语中通常翻译为“jeux de données benchmark”，因此完整的句子应为：Nos résultats expérimentaux montrent que la combinaison des méthodes existantes de GNN avec DiffPool entraîne une amélioration moyenne de 5 à 10 % en précision sur les benchmarks de classification de graphes, comparativement à toutes les approches existantes de regroupement, atteignant ainsi un nouvel état de l'art sur quatre des cinq jeux de données benchmark.