Les convolutions de graphes qui peuvent enfin modéliser la structure locale

Bien que des progrès rapides aient été réalisés ces dernières années, des études récentes ont montré que les réseaux neuronaux modernes basés sur les graphes peuvent encore échouer à des tâches très simples, comme la détection de petits cycles. Cela suggère que les réseaux actuels ne parviennent pas à capturer des informations sur la structure locale, ce qui pose problème lorsque la tâche en aval repose fortement sur l'analyse de sous-graphes, comme c'est le cas dans le domaine de la chimie. Nous proposons une correction très simple à la convolution GIN (Graph Isomorphism Network) désormais standard, permettant au réseau de détecter les petits cycles avec un coût négligeable en termes de temps de calcul et de nombre de paramètres. Testé sur des jeux de données réels concernant les propriétés moléculaires, notre modèle améliore constamment les performances sur des jeux de données multi-tâches de grande taille par rapport à toutes les lignes de base, tant globalement qu'au niveau spécifique de chaque tâche.