Réseau de convolution graphique signé

Étant donné que la majeure partie des données d’aujourd’hui peut être représentée sous forme de graphes, une demande croissante s’est fait sentir en faveur de la généralisation des modèles de réseaux de neurones aux données graphes. Une direction récente qui a montré des résultats prometteurs, et par conséquent suscite un intérêt croissant, est l’utilisation des réseaux de neurones à convolution de graphe (GCN, Graph Convolutional Networks). Ces modèles ont démontré une amélioration significative sur une large gamme de tâches d’analyse de réseaux, dont l’apprentissage de représentations de nœuds. L’apprentissage de représentations de nœuds à faible dimension a en effet été montré pour améliorer les performances sur de nombreuses autres tâches, allant de la prédiction de liens et la classification de nœuds à la détection de communautés et à la visualisation. Parallèlement, les réseaux signés (ou graphes comportant à la fois des liens positifs et négatifs) sont devenus omniprésents avec la montée en popularité des réseaux sociaux. Toutefois, comme les modèles GCN antérieurs se sont principalement concentrés sur les réseaux non signés (c’est-à-dire des graphes composés uniquement de liens positifs), il reste incertain comment les appliquer aux réseaux signés, en raison des défis posés par les liens négatifs. Les principaux défis proviennent du fait que les liens négatifs ont une signification sémantique différente par rapport aux liens positifs, mais aussi que leurs principes sont fondamentalement distincts et qu’ils établissent des relations complexes avec les liens positifs. Ainsi, nous proposons une approche dédiée et fondée sur des principes solides, exploitant la théorie de la balance, pour agréger correctement et propager l’information à travers les couches d’un modèle GCN signé. Nous menons des expériences empiriques comparant notre GCN signé proposé aux meilleures méthodes de l’état de l’art pour l’apprentissage de représentations de nœuds dans les réseaux signés. Plus précisément, nos expériences sont réalisées sur quatre jeux de données réels pour le problème classique de prédiction du signe des liens, qui sert couramment de référence (benchmark) pour les algorithmes d’embeddings de réseaux signés.