Réseau Neuronal À Graphe De Transmission De Messages (MPNN)

Message Passing Neural Networks (MPNN) est un cadre de réseau neuronal pour le traitement de données structurées sous forme de graphes. Cette idée a été proposée par Gilmer et al. en 2017.Transmission de messages neuronaux pour la chimie quantique". L'idée principale du MPNN est de mettre à jour la représentation des nœuds dans le graphique via des mécanismes de transmission de messages et d'agrégation, afin de pouvoir capturer les informations de voisinage local des nœuds.

Le processus de propagation vers l'avant du MPNN est principalement divisé en deux étapes : l'étape de transmission des messages et l'étape de lecture. Pendant la phase de transmission des messages, chaque nœud collecte des informations auprès de ses nœuds voisins, qui sont agrégées via une fonction de message entraînable. La fonction de mise à jour du nœud combine ensuite les informations agrégées avec l'état actuel du nœud pour mettre à jour la représentation des fonctionnalités du nœud. Ce processus est répété jusqu’à ce qu’un nombre prédéterminé d’itérations soit atteint ou qu’une condition d’arrêt soit remplie. L'étape de lecture résume les états finaux de tous les nœuds via une fonction de lecture pour obtenir une représentation globale des fonctionnalités de l'ensemble du graphique.

Le cadre MPNN présente une bonne polyvalence et flexibilité, et il peut couvrir une variété de modèles de réseaux neuronaux graphiques, tels que GCN, GAT, etc. De plus, le concept de conception de MPNN offre également une nouvelle perspective pour la recherche sur les réseaux neuronaux graphiques et favorise l'application et le développement de réseaux neuronaux graphiques dans différents domaines.