Réseaux de neurones en capsule pour la classification de graphes à l'aide de représentations graphiques tensorielles explicites

La classification de graphes est un problème important dans de nombreux domaines scientifiques. Elle aborde des tâches telles que la classification des protéines et des composés chimiques en catégories selon leurs fonctions ou leurs propriétés chimiques et structurales. Dans un cadre supervisé, ce problème peut être formulé comme l'apprentissage de la structure, des caractéristiques et des relations entre les caractéristiques au sein d'un ensemble de graphes étiquetés, et la capacité à prédire correctement les étiquettes ou les catégories de graphes non vus.Une difficulté majeure dans cette tâche surgit lorsqu'on tente d'appliquer des algorithmes de classification établis, en raison de la nécessité de représentations matricielles ou tensorielles de taille fixe pour les graphes, dont le nombre de nœuds et d'arêtes peut varier considérablement. En nous appuyant sur des travaux antérieurs combinant des représentations tensorielles explicites avec un classifieur basé sur des images standards, nous proposons un modèle pour effectuer la classification de graphes en extrayant des informations tensorielles de taille fixe à partir de chaque graphe d'un ensemble donné, puis en utilisant un réseau de capsules (Capsule Network) pour effectuer la classification.Les graphes que nous considérons ici sont non orientés et possèdent des caractéristiques catégorielles sur les nœuds. À l'aide de jeux de données chimiques et protéiques standards, nous démontrons que notre modèle de classification par réseau de capsules utilisant une représentation tensorielle explicite des graphes est compétitif avec les modèles actuels d'art du possible (state of the art) basés sur les noyaux de graphes et les réseaux neuronaux de graphes, malgré une recherche limitée des hyperparamètres.