Auto-Attention de Graphe Pondérée

Des méthodes avancées d'application de l'apprentissage profond aux données structurées, telles que les graphes, ont été proposées ces dernières années. En particulier, les recherches se sont concentrées sur la généralisation des réseaux de neurones convolutifs aux données de graphe, ce qui comprend la redéfinition des opérations de convolution et de sous-échantillonnage (pooling) pour les graphes. La méthode de généralisation de l'opération de convolution aux graphes a été prouvée pour améliorer les performances et est largement utilisée. Cependant, la méthode d'application du sous-échantillonnage aux graphes reste difficile à mettre en œuvre et offre encore un potentiel d'amélioration. Dans cet article, nous proposons une méthode de pooling basée sur l'auto-attention pour les graphes. L'utilisation de l'auto-attention avec la convolution de graphe permet à notre méthode de prendre en compte à la fois les caractéristiques des nœuds et la topologie du graphe. Pour garantir une comparaison équitable, les mêmes procédures d'entraînement et architectures de modèles ont été utilisées pour les méthodes de pooling existantes et notre méthode. Les résultats expérimentaux montrent que notre méthode atteint des performances supérieures en classification de graphes sur les jeux de données de référence en utilisant un nombre raisonnable de paramètres.