Réseaux de Convolution Graphique Apprenables à Grande Échelle

Les réseaux de neurones convolutionnels (CNNs) ont connu un grand succès dans le traitement de données structurées en grille, telles que les images, mais ils font face à d'importants défis lorsqu'il s'agit d'apprendre à partir de données plus générales, comme les graphes. Dans les CNNs, les filtres locaux entraînables permettent l'extraction automatique de caractéristiques de haut niveau. Le calcul avec ces filtres nécessite un nombre fixe d'unités ordonnées dans les champs récepteurs. Cependant, dans les graphes génériques, le nombre d'unités voisines n'est ni fixe ni ordonné, ce qui entrave l'application des opérations de convolution. Nous abordons ces défis en proposant la couche de convolution graphique apprenable (LGCL). La LGCL sélectionne automatiquement un nombre fixe de nœuds voisins pour chaque caractéristique en fonction du classement par valeur afin de transformer les données graphiques en structures en grille au format 1D, permettant ainsi l'utilisation d'opérations de convolution régulières sur des graphes génériques. Pour faciliter l'entraînement du modèle sur des graphes à grande échelle, nous proposons une méthode d'entraînement par sous-graphes visant à réduire les exigences excessives en mémoire et en ressources informatiques rencontrées par les méthodes précédentes pour les convolutions de graphes. Nos résultats expérimentaux sur des tâches de classification de nœuds dans des contextes d'apprentissage transductif et inductif montrent que nos méthodes peuvent atteindre une performance constamment supérieure sur les jeux de données des réseaux de citations Cora, Citeseer et Pubmed, ainsi que sur le réseau d'interactions protéine-protéine. Nos résultats indiquent également que les méthodes proposées utilisant la stratégie d'entraînement par sous-graphes sont plus efficaces comparativement aux approches antérieures.