Convolution spectrale simple sur graphe

Les réseaux de convolution graphique (GCN) ont suscité un intérêt considérable et se sont imposés comme des méthodes prometteuses pour l’apprentissage des représentations graphiques. Toutefois, la plupart des GCN subissent une dégradation des performances lorsque la profondeur du modèle augmente, tout comme les réseaux de convolution convolutifs (CNN) en l’absence d’architectures spécifiquement conçues, dont les performances se dégradent rapidement. Certains chercheurs soutiennent que la taille de voisinage requise et la profondeur du réseau neuronal constituent deux aspects complètement orthogonaux de la représentation graphique. En conséquence, plusieurs méthodes étendent le voisinage en agrégant les voisinages à k sauts des nœuds tout en utilisant des réseaux neuronaux peu profonds. Toutefois, ces approches restent sujettes au phénomène d’over-smoothing, ainsi qu’à des coûts élevés en calcul et en stockage. Dans ce travail, nous utilisons le noyau de diffusion de Markov pour dériver une variante des GCN appelée Simple Spectral Graph Convolution (S²GC), étroitement liée aux modèles spectraux et combinant les avantages des méthodes spatiales et spectrales. Une analyse spectrale montre que la convolution graphique spectrale simple utilisée dans S²GC agit comme un filtre passe-bas, partitionnant les réseaux en un petit nombre de grandes composantes. Une évaluation expérimentale démontre que S²GC, couplée à un classifieur linéaire, est compétitive sur des tâches de classification de texte et de classification de nœuds. En outre, S²GC est comparable aux méthodes de pointe actuelles pour les tâches de clustering de nœuds et de prédiction de communautés.