Scattering GCN : Surmonter l'oversmoothness dans les réseaux de convolution sur graphes

Les réseaux de convolution sur graphes (GCNs) ont montré des résultats prometteurs dans le traitement des données graphiques en extractant des caractéristiques conscientes de la structure. Cela a donné lieu à des travaux étendus en apprentissage profond géométrique, axés sur la conception d'architectures de réseau qui garantissent que les activations des neurones se conforment à des motifs de régularité au sein du graphe d'entrée. Cependant, dans la plupart des cas, la structure du graphe n'est prise en compte qu'en considérant la similarité des activations entre les nœuds adjacents, ce qui limite les capacités de ces méthodes à discriminer entre les nœuds dans un graphe. Ici, nous proposons d'augmenter les GCN conventionnels avec des transformations de diffusion géométrique et des convolutions résiduelles. La première permet de filtrer en bande passante les signaux graphiques, atténuant ainsi le phénomène d'oversmoothing souvent rencontré dans les GCN, tandis que la seconde est introduite pour débarrasser les caractéristiques résultantes du bruit haute fréquence. Nous établissons les avantages du Scattering GCN présenté, avec à la fois des résultats théoriques établissant les bénéfices complémentaires des caractéristiques de diffusion et des GCN, ainsi que des résultats expérimentaux montrant les avantages de notre méthode par rapport aux réseaux neuronaux graphiques de premier plan pour la classification de nœuds semi-supervisée, y compris le réseau GAT récemment proposé qui atténue généralement l'oversmoothing en utilisant des mécanismes d'attention sur graphes.