SLAPS : L'apprentissage auto-supervisé améliore l'apprentissage de la structure pour les réseaux neuronaux sur graphes

Les réseaux de neurones graphiques (GNN) fonctionnent efficacement lorsque la structure du graphe est fournie. Toutefois, cette structure n’est pas toujours disponible dans les applications du monde réel. Une solution à ce problème consiste à inférer une structure latente spécifique à la tâche, puis à appliquer un GNN au graphe ainsi inféré. Malheureusement, l’espace des structures graphiques possibles croît de manière super-exponentielle en fonction du nombre de nœuds, ce qui rend la supervision spécifique à la tâche insuffisante pour apprendre à la fois la structure et les paramètres du GNN. Dans ce travail, nous proposons une méthode appelée SLAPS (Simultaneous Learning of Adjacency and GNN Parameters with Self-supervision), qui fournit une supervision accrue pour l’inférence de la structure graphique grâce à une auto-supervision. Une étude expérimentale approfondie démontre que SLAPS s’applique à de grands graphes comptant des centaines de milliers de nœuds et surpasser plusieurs modèles proposés précédemment pour l’apprentissage d’une structure graphique spécifique à la tâche sur des benchmarks établis.