Les réseaux neuronaux sur graphes (GNNs) constituent une classe populaire de modèles d'apprentissage automatique dont l'avantage majeur est leur capacité à intégrer une structure de dépendance éparse et discrète entre les points de données. Malheureusement, les GNNs ne peuvent être utilisés que lorsque cette structure en graphe est disponible. En pratique, cependant, les graphes du monde réel sont souvent bruyants et incomplets ou ne sont pas disponibles du tout. Dans ce travail, nous proposons d'apprendre conjointement la structure du graphe et les paramètres des réseaux de convolution sur graphe (GCNs) en résolvant approximativement un programme bicouche qui apprend une distribution de probabilité discrète sur les arêtes du graphe. Cela permet non seulement d'appliquer les GCNs dans des scénarios où le graphe donné est incomplet ou corrompu, mais aussi dans ceux où aucun graphe n'est disponible. Nous menons une série d'expériences qui analysent le comportement de la méthode proposée et démontrent qu'elle surpassera les méthodes connexes avec une marge significative.Note: The term "bilevel program" is translated as "programme bicouche," which is a common translation in the field of optimization and machine learning. If you prefer to keep the English term for clarity, you can use "programme bicouche (bilevel program)."