Noyaux de Graphes Wasserstein Weisfeiler-Lehman

La plupart des noyaux de graphe sont des instances de la classe des noyaux d'$\mathcal{R}$-convolution, qui mesurent la similarité entre objets en comparant leurs sous-structures. Malgré leur succès empirique, la plupart des noyaux de graphe utilisent une agrégation naïve du jeu final de sous-structures, généralement une somme ou une moyenne, ce qui peut entraîner le rejet d'informations précieuses sur la distribution des composants individuels. De plus, seules quelques variantes limitées de ces approches peuvent être étendues aux graphes attribués continuellement. Nous proposons une nouvelle méthode basée sur la distance de Wasserstein entre les distributions des vecteurs de caractéristiques des nœuds de deux graphes, ce qui permet de détecter des différences plus subtiles dans les ensembles de données en considérant les graphes comme des objets à haute dimension plutôt que comme de simples moyennes. Nous proposons également un schéma d'embedding inspiré par l'algorithme Weisfeiler-Lehman pour les graphes avec attributs nodaux continus et arêtes pondérées, que nous enrichissons avec la distance de Wasserstein calculée, améliorant ainsi les performances prédictives actuelles sur plusieurs tâches de classification de graphes.