Réseaux Neuraux Graphiques avec Filtres ARMA de Type Convolutif

Les réseaux neuronaux populaires sur les graphes mettent en œuvre des opérations de convolution sur les graphes basées sur des filtres spectraux polynomiaux. Dans cet article, nous proposons une nouvelle couche de convolution graphique inspirée par le filtre auto-régressif à moyenne mobile (ARMA), qui, comparativement aux filtres polynomiaux, offre une réponse fréquentielle plus flexible, est plus robuste au bruit et capture mieux la structure globale du graphe. Nous présentons une implémentation de réseau neuronal graphique du filtre ARMA avec une formulation récursive et distribuée, obtenant ainsi une couche de convolution qui est efficace à entraîner, localisée dans l'espace nodal et peut être transférée à de nouveaux graphes lors des tests. Nous effectuons une analyse spectrale pour étudier l'effet de filtrage de la couche ARMA proposée et rapportons des expériences sur quatre tâches downstream : classification nodale semi-supervisée, classification de signaux graphiques, classification de graphes et régression de graphes. Les résultats montrent que la couche ARMA proposée apporte des améliorations significatives par rapport aux réseaux neuronaux graphiques basés sur des filtres polynomiaux.