Réinterpréter les méthodes noyau pour l'apprentissage des représentations de nœuds sur les graphes

Les noyaux de graphes sont des méthodes noyaux permettant de mesurer la similarité entre graphes et constituent un outil standard pour la classification de graphes. Toutefois, l’application des méthodes noyaux à la classification de nœuds — un problème connexe au apprentissage de représentations de graphes — reste mal posée, et les méthodes actuelles de pointe reposent fortement sur des heuristiques. Dans ce travail, nous proposons un cadre théorique novateur fondé sur les noyaux pour la classification de nœuds, capable de combler le fossé entre ces deux problématiques d’apprentissage de représentations sur graphes. Notre approche s’inspire de la méthodologie des noyaux de graphes, mais est étendue pour apprendre des représentations de nœuds capturant l’information structurelle contenue dans un graphe. Nous montrons théoriquement que notre formulation est aussi puissante que tout noyau semi-défini positif. Pour apprendre efficacement le noyau, nous proposons un mécanisme original d’agrégation des caractéristiques de nœuds ainsi qu’une métrique de similarité pilotée par les données, utilisée durant la phase d’entraînement. Plus important encore, notre cadre est flexible et complémentaire aux autres modèles d’apprentissage profond basés sur les graphes, tels que les réseaux de convolution de graphes (Graph Convolutional Networks, GCNs). Nous évaluons empiriquement notre approche sur plusieurs benchmarks standards de classification de nœuds, et démontrons que notre modèle établit un nouveau état de l’art.