Quand le Travail Compte : Transformation des Structures de Réseau Classiques en CNN sur Graphe

De nombreuses applications de reconnaissance de formes peuvent être formulées comme l'apprentissage à partir de données structurées en graphe, y compris les réseaux sociaux, les réseaux d'interaction protéique, les données du World Wide Web et les graphes de connaissances. Bien que les réseaux neuronaux convolutifs (CNN) aient permis des avancées considérables dans les tâches de compréhension d'images/vidéos sur grille, très peu d'attention a été accordée à la transformation de ces structures de réseau réussies (y compris Inception net, Residual net, Dense net, etc.) pour établir des réseaux convolutifs sur graphe, en raison de leurs topologies géométriques irrégulières et complexes (sommets non ordonnés, nombre variable d'arêtes/sommets adjacents). Dans cet article, nous visons à donner une analyse exhaustive des conditions sous lesquelles ces transformations sont pertinentes en adaptant différentes structures de réseau classiques aux CNN sur graphe, particulièrement dans le problème fondamental de reconnaissance de graphe. Plus précisément, nous commençons par passer en revue les méthodes générales des CNN sur graphe, notamment leur opération de filtrage spectral sur les données de graphe irrégulier. Nous introduisons ensuite les structures basiques de ResNet, Inception et DenseNet dans les CNN sur graphe et construisons ces structures sur graphe, nommées respectivement G_ResNet, G_Inception et G_DenseNet. En particulier, cette étude vise à aider les CNN sur graphe en éclairant le fonctionnement de ces structures classiques et en fournissant des lignes directrices pour choisir des cadres appropriés pour les réseaux sur graphe. Enfin, nous évaluons exhaustivement la performance de ces différentes structures de réseau sur plusieurs jeux de données graphiques publics (y compris des réseaux sociaux et des jeux de données bioinformatiques), et démontrons comment différentes structures de réseau fonctionnent dans la tâche de reconnaissance graphique par CNN.