Classification de graphes semi-supervisée : une perspective hiérarchique des graphes
La classification de nœuds et la classification de graphes sont deux problèmes d'apprentissage sur les graphes qui prédisez respectivement l'étiquette de classe d'un nœud et l'étiquette de classe d'un graphe. Un nœud dans un graphe représente généralement une entité du monde réel, par exemple un utilisateur dans un réseau social ou une protéine dans un réseau d'interactions protéines-protéines. Dans cette étude, nous considérons un cadre plus complexe mais pratiquement utile, où un nœud est lui-même une instance de graphe. Cela conduit à une perspective hiérarchique des graphes qui se retrouve dans de nombreux domaines tels que les réseaux sociaux, les réseaux biologiques et les collections de documents. Par exemple, dans un réseau social, un groupe de personnes partageant des intérêts communs forme un groupe d'utilisateurs, tandis que plusieurs groupes d'utilisateurs sont interconnectés par des interactions ou des membres communs.Nous examinons le problème de classification de nœuds dans ce graphe hiérarchique où un « nœud » est une instance de graphe, comme par exemple un groupe d'utilisateurs dans l'exemple précédent. Étant donné que les étiquettes sont souvent limitées dans les données du monde réel, nous avons conçu deux nouvelles solutions semi-supervisées nommées \underline{SE}mi-supervisée gr\underline{A}phe c\underline{L}assification via \underline{C}autious/\underline{A}ctive \underline{I}teration (ou SEAL-C/AI pour faire court). SEAL-C/AI utilisent un cadre itératif qui alterne entre la construction ou la mise à jour de deux classifieurs : l'un opérant au niveau des instances de graphe et l'autre au niveau du graphe hiérarchique.Pour simplifier la représentation du graphe hiérarchique, nous proposons une nouvelle méthode d'embedding supervisée et auto-attentive appelée SAGE (Supervised Attention Graph Embedding), qui transforme des instances de graphes de taille arbitraire en vecteurs de longueur fixe. À travers des expériences sur des données synthétiques et sur des données issues des groupes QQ de Tencent, nous démontrons que SEAL-C/AI non seulement surpassent les méthodes concurrentes avec une marge significative en termes de précision/Macro-F1, mais génèrent également des interprétations pertinentes des représentations apprises.