Une architecture d’apprentissage profond bout-en-bout pour la classification de graphes

Les réseaux de neurones sont généralement conçus pour traiter des données sous forme de tenseurs. Dans cet article, nous proposons une nouvelle architecture de réseau de neurones capable d’accepter des graphes de structure arbitraire. Étant donné un ensemble de données composé de paires (G, y), où G est un graphe et y son label de classe, notre objectif est de concevoir des réseaux de neurones capables de lire directement les graphes et d’apprendre une fonction de classification. Deux défis majeurs se posent : 1) comment extraire des caractéristiques pertinentes qui captent l’information riche encodée dans un graphe, afin de permettre une classification efficace ; et 2) comment lire un graphe de manière séquentielle selon un ordre significatif et cohérent. Pour relever le premier défi, nous avons conçu un modèle de convolution locale sur graphe et montré sa relation avec deux noyaux de graphe. Pour répondre au second défi, nous avons introduit une nouvelle couche appelée SortPooling, qui trie les sommets d’un graphe selon un ordre cohérent, permettant ainsi d’entraîner des réseaux de neurones classiques sur les graphes. Des expériences menées sur des jeux de données standards pour la classification de graphes démontrent que l’architecture proposée atteint des performances très compétitives par rapport aux noyaux de graphe d’avant-garde ainsi qu’à d’autres méthodes de réseaux de neurones sur graphes. En outre, cette architecture permet un entraînement end-to-end basé sur le gradient directement sur les graphes originaux, sans nécessiter de transformation préalable des graphes en vecteurs.