Plongement de Wasserstein pour l'apprentissage graphique

Nous présentons le cadre de plongement de graphes Wasserstein pour l'apprentissage (WEGL), une nouvelle approche rapide permettant d'immerger des graphes entiers dans un espace vectoriel, où divers modèles d'apprentissage automatique peuvent être appliqués pour des tâches de prédiction au niveau du graphe. Nous exploitons de nouvelles perspectives en définissant la similarité entre les graphes comme une fonction de la similarité entre leurs distributions de plongements nodaux. Plus précisément, nous utilisons la distance de Wasserstein pour mesurer la dissimilarité entre les plongements nodaux de différents graphes. Contrairement aux travaux antérieurs, nous évitons le calcul pair à pair des distances entre les graphes et réduisons la complexité algorithmique de quadratique à linéaire en fonction du nombre de graphes. WEGL calcule des cartes de Monge d'une distribution de référence vers chaque plongement nodal et, sur la base de ces cartes, crée une représentation vectorielle de taille fixe du graphe. Nous évaluons notre nouvelle approche de plongement de graphes sur diverses tâches de prédiction des propriétés des graphes selon des critères standards, montrant des performances classificatoires d'état de l'art tout en offrant une efficacité computationnelle supérieure. Le code est disponible à l'adresse suivante : https://github.com/navid-naderi/WEGL.