GraphNAS : Recherche d'architecture de réseau neuronal graphique par apprentissage par renforcement

Les Réseaux Neuraux sur Graphes (RNG, ou Graph Neural Networks en anglais) sont largement utilisés pour l'analyse de données non euclidiennes telles que les données des réseaux sociaux et les données biologiques. Malgré leurs succès, la conception de ces réseaux neuronaux sur graphes nécessite un travail manuel important et une connaissance approfondie du domaine. Dans cet article, nous proposons une méthode de Recherche d'Architecture Neuromorphique pour Graphes (GraphNAS pour abréger) qui permet une recherche automatique de l'architecture neuronale optimale sur graphe basée sur l'apprentissage par renforcement. Plus précisément, GraphNAS utilise tout d'abord un réseau récurrent pour générer des chaînes de caractères de longueur variable décrivant les architectures des réseaux neuronaux sur graphes, puis entraîne ce réseau récurrent par apprentissage par renforcement afin de maximiser la précision attendue des architectures générées sur un ensemble de validation. De nombreux résultats expérimentaux sur des tâches de classification de nœuds dans des contextes d'apprentissage transductif et inductif montrent que GraphNAS peut atteindre une performance constamment supérieure sur les réseaux de citations Cora, Citeseer et Pubmed, ainsi que sur le réseau d'interactions protéine-protéine. Pour les tâches de classification de nœuds, GraphNAS est capable de concevoir une nouvelle architecture de réseau qui rivalise avec la meilleure architecture inventée par l'homme en termes de précision sur l'ensemble de test.