Geom-GCN : Réseaux de neurones convolutifs géométriques

Les réseaux neuronaux à passage de messages (MPNNs) ont été appliqués avec succès à l'apprentissage de représentations sur des graphes dans diverses applications réelles. Cependant, deux faiblesses fondamentales des agrégateurs des MPNNs limitent leur capacité à représenter les données structurées en graphe : la perte d'informations structurelles des nœuds dans les voisinages et l'incapacité de capturer les dépendances à longue portée dans les graphes dissortatifs. Peu d'études ont remarqué ces faiblesses sous différents angles. À partir d'observations sur les réseaux neuronaux classiques et la géométrie des réseaux, nous proposons un nouveau schéma d'agrégation géométrique pour les réseaux neuronaux de graphe afin de surmonter ces deux faiblesses. L'idée de base est que l'agrégation sur un graphe peut bénéficier d'un espace continu sous-jacent au graphe. Le schéma d'agrégation proposé est invariant par permutation et se compose de trois modules : plongement de nœud, voisinage structurel et agrégation bi-niveau. Nous présentons également une implémentation de ce schéma dans les réseaux convolutifs de graphe, appelée Geom-GCN (Geometric Graph Convolutional Networks), pour effectuer un apprentissage transductif sur les graphes. Les résultats expérimentaux montrent que le Geom-GCN proposé a atteint des performances de pointe sur une large gamme de jeux de données ouverts de graphes. Le code est disponible à l'adresse suivante : https://github.com/graphdml-uiuc-jlu/geom-gcn.