Réseaux de neurones graphiques multi-relationnels guidés par une sélection de voisinage renforcée

Les réseaux de neurones graphiques (GNN) sont largement utilisés pour l’apprentissage de représentations de diverses données structurées sous forme de graphes. Bien que prometteurs, la plupart des GNN existants simplifient de manière excessive la complexité et la diversité des arêtes dans les graphes, ce qui limite leur efficacité face aux graphes hétérogènes omniprésents, généralement représentés sous forme de graphes multi-relations. Dans ce travail, nous proposons RioGNN, une nouvelle architecture de réseau de neurones graphiques multi-relations guidée par une sélection renforcée, récursive et flexible des voisins, permettant de gérer la complexité des structures de réseaux neuronaux tout en préservant des représentations dépendantes des relations. Nous construisons tout d’abord un graphe multi-relations, en fonction de la tâche pratique considérée, afin de refléter l’hétérogénéité des nœuds, des arêtes, des attributs et des étiquettes. Pour éviter une assimilation excessive des embeddings entre différents types de nœuds, nous introduisons une mesure de similarité neuronale sensible aux étiquettes, permettant d’identifier les voisins les plus similaires en fonction des attributs des nœuds. Un mécanisme renforcé de sélection de voisins sensible aux relations est alors développé pour sélectionner les voisins les plus proches d’un nœud cible au sein d’une relation donnée, avant d’agréger l’information de voisinage provenant de différentes relations afin d’obtenir l’embedding final du nœud. En particulier, afin d’améliorer l’efficacité de la sélection des voisins, nous proposons un nouveau cadre d’apprentissage par renforcement récursif et évolutif, doté d’une profondeur et d’une largeur estimables, adapté à des graphes multi-relations de différentes tailles. RioGNN permet d’apprendre des embeddings de nœuds plus discriminants, tout en améliorant la lisibilité du modèle, grâce à la prise en compte de l’importance individuelle de chaque relation via un mécanisme de seuil de filtrage. Des expériences approfondies sur des données réelles et des tâches pratiques démontrent l’efficacité, l’efficience et la capacité d’explication améliorées de RioGNN par rapport à d’autres modèles GNN comparatifs.