UniG-Encoder : Un encodeur de caractéristiques universel pour la classification des nœuds de graphes et d'hypergraphes

L’apprentissage des représentations de graphes et d’hypergraphes a suscité un intérêt croissant dans divers domaines de recherche. Malgré les performances satisfaisantes et les nombreuses applications des réseaux de neurones sur graphes (GNNs), des réseaux de neurones sur hypergraphes (HGNNs) et de leurs variantes soigneusement conçues sur des benchmarks courants, ces modèles sont parfois surpassés par un simple perceptron multicouche (MLP). Cette observation incite à repenser le paradigme de conception des GNNs et HGNNs actuels et soulève des défis quant à l’extraction efficace des caractéristiques graphiques. Dans ce travail, nous proposons un encodeur universel pour l’apprentissage des représentations à la fois sur graphes et hypergraphes, nommé UniG-Encoder. L’architecture commence par une transformation directe des relations topologiques entre nœuds connectés en caractéristiques d’arêtes ou d’hyperarêtes, réalisée à l’aide d’une matrice de projection normalisée. Les caractéristiques d’arêtes/hyperarêtes ainsi obtenues, combinées aux caractéristiques initiales des nœuds, sont ensuite introduites dans un réseau neuronal. Les embeddings des nœuds encodés sont ensuite extraits par une transformation inverse, décrite par la transposée de la matrice de projection, à partir de la sortie du réseau — ces embeddings peuvent ensuite être utilisés pour des tâches telles que la classification de nœuds. Contrairement aux approches classiques fondées sur le spectre et/ou le passage de messages, l’architecture proposée exploite de manière efficace, unifiée et exhaustive à la fois les caractéristiques des nœuds et les topologies des graphes ou hypergraphes, couvrant aussi bien les graphes hétérophiles que homophiles. La matrice de projection conçue, qui encode les caractéristiques du graphe, est intuitive et interprétable. Des expérimentations étendues ont été menées, démontrant la supériorité du cadre proposé sur douze jeux de données d’hypergraphes représentatifs et six jeux de données réels de graphes, par rapport aux méthodes de pointe. Notre implémentation est disponible en ligne à l’adresse suivante : https://github.com/MinhZou/UniG-Encoder.