Prédire puis Propager : Les Réseaux Neuraux de Graphes Rencontrent le PageRank Personnalisé

Les algorithmes de passage de messages neuronaux pour la classification semi-supervisée sur les graphes ont récemment connu un grand succès. Cependant, ces méthodes ne prennent en compte que les nœuds situés à quelques étapes de propagation et il est difficile d'élargir la taille de ce voisinage utilisé. Dans cet article, nous utilisons la relation entre les réseaux de neurones convolutifs sur graphes (GCN) et PageRank pour dériver un schéma de propagation amélioré basé sur le PageRank personnalisé. Nous utilisons cette procédure de propagation pour construire un modèle simple, le passage personnalisé des prédictions neuronales (PPNP), ainsi que son approximation rapide, l'APPNP. Le temps d'entraînement de notre modèle est comparable ou plus rapide, et le nombre de paramètres est comparable ou inférieur à ceux des modèles précédents. Il exploite un voisinage large et ajustable pour la classification et peut être facilement combiné avec tout réseau neuronal. Nous montrons que ce modèle surpassse plusieurs méthodes proposées récemment pour la classification semi-supervisée dans l'étude la plus complète réalisée jusqu'à présent pour les modèles similaires aux GCN. Notre implémentation est disponible en ligne.