GREAD : Réseaux de diffusion-réaction à base de réseaux neuronaux graphes

Les réseaux de neurones sur graphes (GNN) constituent l’un des sujets de recherche les plus populaires en apprentissage profond. Les méthodes GNN sont généralement conçues à partir de la théorie du traitement des signaux sur graphes. En particulier, les équations de diffusion sont largement utilisées pour concevoir la couche centrale de traitement des GNN, ce qui les rend inévitablement sensibles au problème bien connu de l’over-smoothing. Récemment, quelques travaux se sont intéressés aux équations de réaction en conjonction avec les équations de diffusion, mais tous restent limités à des formes spécifiques d’équations de réaction. À cet effet, nous proposons une méthode GNN fondée sur les équations réaction-diffusion, qui prend en compte toutes les formes courantes d’équations de réaction, ainsi qu’une équation de réaction particulière que nous avons conçue. Selon notre connaissance, ce travail constitue l’une des études les plus complètes sur les GNN basés sur les équations réaction-diffusion. Nos expériences sur 9 jeux de données et 28 méthodes de référence montrent que notre approche, nommée GREAD, obtient de meilleurs résultats dans la majorité des cas. Des expériences supplémentaires sur des données synthétiques confirment que GREAD atténue efficacement le problème d’over-smoothing et se comporte de manière robuste pour différentes valeurs de taux d’homophilie.