TREE-G : Arbres de décision en concurrence avec les réseaux de neurones graphiques

Lorsqu’il s’agit de données tabulaires, les modèles fondés sur les arbres de décision constituent un choix populaire en raison de leur haute précision sur ce type de données, de leur facilité d’application et de leurs propriétés d’explicabilité. Toutefois, lorsqu’il s’agit de données structurées en graphe, il n’est pas clair comment les appliquer de manière efficace, en intégrant de manière adéquate les informations topologiques aux données tabulaires associées aux sommets du graphe. Pour relever ce défi, nous introduisons TREE-G. TREE-G adapte les arbres de décision classiques en introduisant une nouvelle fonction de partition spécialement conçue pour les données de graphe. Cette fonction de partition prend en compte à la fois les caractéristiques des nœuds et les informations topologiques, tout en utilisant un mécanisme de pointeur original qui permet aux nœuds de partition d’accéder aux informations calculées lors des partitions précédentes. Ainsi, la fonction de partition s’adapte à la tâche prédictive et au graphe considéré. Nous analysons les propriétés théoriques de TREE-G et démontrons empiriquement ses avantages sur plusieurs benchmarks de prédiction de graphes et de sommets. Dans ces expériences, TREE-G surpasse de manière cohérente d’autres modèles basés sur les arbres, et souvent d’autres algorithmes d’apprentissage sur graphe tels que les Réseaux de Neurones sur Graphes (GNNs) ou les noyaux de graphe, parfois avec des marges importantes. En outre, les modèles TREE-G ainsi que leurs prédictions peuvent être expliqués et visualisés.