DEMO-Net : Réseaux Neuronaux Graphiques Spécifiques au Degré pour la Classification de Nœuds et de Graphes

Les données graphiques sont largement présentes dans de nombreuses applications à fort impact. Inspirés par le succès de l'apprentissage profond sur les données structurées en grille, des modèles de réseaux neuronaux graphiques ont été proposés pour apprendre des représentations puissantes au niveau des nœuds ou des graphes. Cependant, la plupart des réseaux neuronaux graphiques existants souffrent des limitations suivantes : (1) il y a une analyse limitée concernant les propriétés de la convolution graphique, telles que centrées sur la graine (seed-oriented), sensibles au degré (degree-aware) et indépendantes de l'ordre (order-free) ; (2) la structure spécifique du degré du nœud n'est pas explicitement exprimée dans la convolution graphique pour distinguer les voisinages de nœuds conscients de la structure ; (3) l'explication théorique concernant les schémas d'agrégation au niveau du graphe est peu claire.Pour résoudre ces problèmes, nous proposons un réseau neuronal graphique générique spécifique au degré, appelé DEMO-Net, inspiré par le test d'isomorphisme de Weisfeiler-Lehman qui identifie récursivement les structures de voisinage à 1 saut. Afin d'exprimer explicitement la topologie du graphe intégrée aux attributs des nœuds, nous soutenons que la convolution graphique doit avoir trois propriétés : centrée sur la graine (seed-oriented), sensible au degré (degree-aware), indépendante de l'ordre (order-free). À cet effet, nous proposons une convolution graphique multi-tâches où chaque tâche représente l'apprentissage de représentations de nœuds pour des nœuds ayant une valeur spécifique de degré, ce qui permet ainsi de préserver la structure spécifique du graphe selon le degré. Plus particulièrement, nous concevons deux méthodes d'apprentissage multi-tâches : des fonctions poids spécifiques au degré et des fonctions hachage pour la convolution graphique. De plus, nous proposons un nouveau schéma d'agrégation/readout au niveau du graphe pour apprendre une représentation du graphe qui se trouve prouvément dans un espace noyau hilbertien spécifique au degré. Les résultats expérimentaux sur plusieurs ensembles de données基准数据集（benchmark data sets）démonstrent l'efficacité et l'efficience de notre DEMO-Net proposé par rapport aux modèles actuels avancés de réseaux neuronaux graphiques.Note: "基准数据集" has been translated as "ensembles de données benchmark" to maintain the technical term in French while ensuring clarity. If you prefer a more literal translation or a different term, please let me know.