Réseau de Neurones pour Graphes : Une Approche Constructive Contextuelle

Cet article présente une nouvelle approche pour l'apprentissage dans des domaines structurés (SD) utilisant un réseau de neurones constructif pour graphes (NN4G). Le nouveau modèle permet l'extension du domaine d'entrée pour les réseaux de neurones supervisés à une classe générale de graphes incluant à la fois des graphes étiquetés acycliques/cycliques, dirigés/und dirigés. En particulier, le modèle peut réaliser des transducteurs contextuels adaptatifs, apprenant la correspondance entre les graphes pour des tâches de classification et de régression. Contrairement aux réseaux de neurones précédents pour les structures qui avaient une dynamique récursive, le NN4G est basé sur une architecture feedforward constructive avec des variables d'état qui utilisent des neurones sans connexions de rétroaction. Les neurones sont appliqués aux graphes d'entrée par un processus de parcours général qui soulage les contraintes des approches précédentes dérivées de l'hypothèse de causalité sur les données d'entrée hiérarchiques. De plus, l'approche incrémentale élimine la nécessité d'introduire des dépendances cycliques dans la définition des variables d'état du système. Dans le processus de parcours, les unités NN4G exploitent les informations contextuelles (locales) des sommets des graphes. Malgré la simplicité de l'approche, nous montrons que, grâce à la compositionnalité de l'information contextuelle développée par l'apprentissage, le modèle peut traiter des informations contextuelles qui sont progressivement étendues en fonction de la topologie des graphes. L'efficacité et la généralité de la nouvelle approche sont étudiées en analysant ses propriétés théoriques et en fournissant des résultats expérimentaux.