DeepGG : un générateur de graphes profonds

L’apprentissage de distributions de graphes peut être utilisé pour la découverte automatique de médicaments, la conception moléculaire, l’analyse de réseaux complexes, et bien d’autres applications. Nous présentons un cadre amélioré pour l’apprentissage de modèles génératifs de graphes fondé sur la notion de machines à états profondes. Pour apprendre les décisions de transition d’état, nous utilisons un ensemble de techniques d’encodage de graphes et de nœuds comme mémoire de la machine à états.Notre analyse repose sur l’apprentissage de la distribution de générateurs de graphes aléatoires, pour lesquels nous proposons des tests statistiques afin de déterminer quelles propriétés peuvent être apprises et dans quelle mesure la distribution originale des graphes est fidèlement représentée. Nous montrons que la conception de la machine à états favorise certaines distributions spécifiques. Des modèles de graphes de taille allant jusqu’à 150 sommets ont été appris. Le code et les paramètres sont disponibles publiquement afin de reproduire nos résultats.