Apprentissage de représentation par points universels pour le matching partiel de graphes multiples

De nombreuses problématiques issues du monde naturel peuvent être formulées comme un problème d’appariement de graphes. Les méthodes précédentes basées sur l’apprentissage profond se sont principalement concentrées sur le cadre d’appariement complet entre deux graphes. Dans ce travail, nous étudions un problème plus général d’appariement partiel, avec des garanties de cohérence cyclique pour plusieurs graphes. S’appuyant sur les avancées récentes en apprentissage profond sur les graphes, nous proposons une nouvelle méthode pilotée par les données (URL) pour l’appariement partiel de plusieurs graphes, qui repose sur une formulation objet-univers et apprend des représentations latentes de points abstraits appartenant à un univers commun. La méthode proposée améliore l’état de l’art du problème d’appariement de points clés sémantiques, tel que validé sur les jeux de données Pascal VOC, CUB et Willow. En outre, une série d’expériences contrôlées menées sur un jeu de données synthétique d’appariement de graphes démontre la capacité de notre méthode à échelle à des graphes comportant un grand nombre de nœuds ainsi que sa robustesse face à un haut degré de partialité.