Weisfeiler et Lehman explorent les chemins : apprentissage de caractéristiques topologiques par le biais de complexes de chemins

Les Réseaux Neuraux Graphiques (RNG) ont, malgré leurs performances remarquables dans diverses tâches, des limites théoriques imposées par le test de Weisfeiler-Lehman d'ordre 1, ce qui entraîne des restrictions en termes d'expressivité des graphes. Bien que les travaux antérieurs sur les RNG d'ordre supérieur topologique aient dépassé cette limite, ces modèles reposent souvent sur des hypothèses concernant les sous-structures des graphes. Plus précisément, les RNG topologiques exploitent la prévalence des cliques, des cycles et des anneaux pour améliorer la procédure de passage de messages. Notre étude propose une nouvelle approche en se concentrant sur les chemins simples au sein des graphes lors du processus de passage de messages topologique, libérant ainsi le modèle des biais inductifs restrictifs. Nous démontrons que, en relevant les graphes à des complexes de chemins, notre modèle peut généraliser les travaux existants en topologie tout en héritant de plusieurs résultats théoriques sur les complexes simpliciaux et les complexes cellulaires réguliers. Sans faire d'hypothèses préalables sur les sous-structures des graphes, notre méthode surpasse les travaux antérieurs dans d'autres domaines topologiques et obtient des résultats de pointe sur divers jeux de données de référence.