Pooling hiérarchique de graphes avec apprentissage de structure

Les réseaux de neurones graphiques (GNN), qui généralisent les réseaux de neurones profonds aux données structurées en graphe, ont suscité un intérêt considérable et atteint des performances de pointe dans de nombreuses tâches liées aux graphes. Toutefois, les modèles GNN existants se concentrent principalement sur la conception d'opérations de convolution graphique. Les opérations de pooling (ou de sous-échantillonnage) graphique, qui jouent un rôle crucial dans l'apprentissage de représentations hiérarchiques, sont généralement négligées. Dans cet article, nous proposons un nouvel opérateur de pooling graphique, appelé Hierarchical Graph Pooling with Structure Learning (HGP-SL), pouvant être intégré à diverses architectures de réseaux de neurones graphiques. HGP-SL intègre de manière unifiée le pooling graphique et l'apprentissage de structure afin de générer des représentations hiérarchiques des graphes. Plus précisément, l'opération de pooling graphique sélectionne de manière adaptative un sous-ensemble de nœuds pour former un sous-graphe induit destiné aux couches suivantes. Afin de préserver l'intégrité de l'information topologique du graphe, nous introduisons par ailleurs un mécanisme d'apprentissage de structure pour apprendre une structure graphique affinée pour le graphe après pooling à chaque couche. En combinant l'opérateur HGP-SL avec des réseaux de neurones graphiques, nous réalisons un apprentissage de représentations au niveau du graphe, en nous concentrant sur la tâche de classification de graphes. Les résultats expérimentaux sur six benchmarks largement utilisés démontrent l'efficacité de notre modèle proposé.