Autoencodeur graphique discriminatif

Face à l’abondance de données structurées en graphes dans diverses applications, l’apprentissage des représentations de graphes est devenu un outil computationnel efficace pour obtenir des représentations vectorielles informatives. Les approches traditionnelles basées sur les noyaux de graphes sont généralement fondées sur les fréquences : chaque dimension du vecteur appris correspond à la fréquence d’un certain type de sous-structure. Cependant, ces méthodes s’accompagnent d’un coût computationnel élevé pour compter les occurrences des sous-structures prédéfinies. Les représentations vectorielles apprises sont extrêmement creuses, ce qui empêche l’utilisation de produits scalaires. En outre, ces représentations ne vivent pas dans un espace lisse, car leurs valeurs ne peuvent être que des entiers. Les approches les plus récentes tentent de surmonter ces défis en modifiant les fonctions noyau plutôt que de produire de meilleures représentations vectorielles. Elles ne parviennent ainsi qu’à générer des matrices de noyaux adaptées aux méthodes basées sur les noyaux, et ne sont pas compatibles avec les méthodes nécessitant des représentations vectorielles. L’apprentissage efficace de représentations vectorielles lisses pour des graphes de structures et de tailles variées demeure un défi majeur. Inspirés par les progrès récents dans les autoencodeurs profonds, nous explorons dans cet article la capacité des autoencodeurs à apprendre des représentations pour les graphes. Contrairement aux vidéos ou aux images, les graphes sont généralement de tailles variées et ne sont pas directement adaptés aux autoencodeurs. Ainsi, nous proposons un cadre novateur, nommé autoencodeur discriminant de graphes (DGA), pour apprendre des représentations vectorielles à faible dimension pour les graphes. L’algorithme décompose les grands graphes en sous-graphes plus petits, à partir desquels des informations structurelles sont échantillonnées. Le DGA produit efficacement des représentations vectorielles lisses et informatives, tout en préservant les informations discriminantes selon les étiquettes. Des expériences étendues ont été menées pour évaluer le DGA. Les résultats expérimentaux démontrent l’efficacité et la performance du DGA par rapport aux approches classiques et aux états de l’art sur divers jeux de données réels et applications, par exemple...