Réseau neuronal graphique adaptatif universel généralisé PageRank

Dans de nombreuses applications importantes de traitement de données graphiques, les informations acquises incluent à la fois des caractéristiques des nœuds et des observations de la topologie du graphe. Les réseaux neuronaux graphiques (GNNs) sont conçus pour exploiter ces deux sources d'information, mais ils ne parviennent pas à optimiser leur utilité ni à les intégrer d'une manière qui soit également universelle. Ici, l'universalité fait référence à l'indépendance par rapport aux hypothèses de homophilie ou de heterophilie dans les graphes. Nous abordons ces problèmes en introduisant une nouvelle architecture GNN basée sur le PageRank généralisé (GPR) qui apprend de manière adaptative les poids GPR afin d'optimiser conjointement l'extraction des informations des caractéristiques des nœuds et de la topologie du graphe, indépendamment du degré de homophilie ou de heterophilie des étiquettes des nœuds. Les poids GPR appris s'ajustent automatiquement au modèle d'étiquetage des nœuds, quel que soit le type d'initialisation, garantissant ainsi d'excellentes performances d'apprentissage pour les modèles d'étiquetage généralement difficiles à gérer. De plus, ils permettent d'éviter le sur-lissage des caractéristiques, un processus qui rend l'information sur les caractéristiques non discriminante, sans nécessiter que le réseau soit peu profond. Notre analyse théorique accompagnant la méthode GPR-GNN est facilitée par de nouveaux jeux de données synthétiques générés par le modèle stochastique contextuel de blocs. Nous comparons également les performances de notre architecture GNN avec celles de plusieurs GNNs d'avant-garde sur le problème de classification des nœuds, en utilisant des jeux de données bien connus et homophiles ou hétérophiles. Les résultats montrent que GPR-GNN offre une amélioration significative des performances par rapport aux techniques existantes, tant sur les données synthétiques que sur les jeux de données standards.