Réseaux de neurones convolutionnels de sous-graphes basés sur la mécanique quantique

Cet article propose une nouvelle architecture de réseau de neurones à convolution sur graphe fondée sur une représentation basée sur la profondeur de la structure du graphe, dérivée des marches quantiques, que nous désignons sous le nom de réseau de neurones à convolution sur sous-graphes basé sur la physique quantique (QS-CNNs). Cette architecture innovante permet de capturer à la fois la structure topologique globale et la structure de connectivité locale au sein d’un graphe. Plus précisément, nous commençons par construire, pour chaque sommet du graphe, une famille de sous-graphes d’expansion à K couches à l’aide de marches quantiques, ce qui permet de capturer les informations relatives à l’arrangement topologique global des sous-structures contenues dans le graphe. Ensuite, nous concevons un ensemble de filtres de convolution de taille fixe appliqués aux sous-graphes, afin de caractériser des motifs à plusieurs échelles présents dans les données. L’idée consiste à appliquer ces filtres de convolution en glissant sur l’ensemble complet des sous-graphes racinés en un sommet, afin d’extraire des caractéristiques locales, de manière analogue à l’opération de convolution standard sur des données régulières (grid data). Des expériences menées sur huit jeux de données structurés en graphe démontrent que l’architecture QS-CNNs est capable de surpasser quatorze méthodes de pointe dans les tâches de classification de nœuds et de classification de graphes.