Co-Intégration des Nœuds et Arêtes Avec des Réseaux de Neurones Graphiques

Le graphe, en tant que représentation de données importante, est omniprésent dans de nombreuses applications du monde réel allant de l'analyse de réseaux sociaux à la biologie. Comment apprendre et extraire correctement et efficacement des informations à partir de graphes est essentiel pour un grand nombre de tâches d'apprentissage automatique. L'intégration de graphes est une manière de transformer et de coder la structure de données dans un espace de caractéristiques de haute dimension et non-euclidien vers un espace structurel de basse dimension, facilement exploitable par d'autres algorithmes d'apprentissage automatique. Nous avons été témoins d'une énorme hausse de telles méthodes d'intégration, allant des approches statistiques aux méthodes récentes d'apprentissage profond telles que les réseaux de neurones convolutionnels graphiques (GCN). Les approches d'apprentissage profond surpassent généralement les méthodes traditionnelles dans la plupart des benchmarks d'apprentissage sur graphes en construisant un cadre d'apprentissage de bout en bout pour optimiser directement la fonction de perte. Cependant, la plupart des méthodes GCN existantes ne peuvent effectuer que des opérations de convolution avec des caractéristiques de nœuds, tout en ignorant l'information utile dans les caractéristiques des arêtes, telles que les relations dans les graphes de connaissances. Pour résoudre ce problème, nous présentons CensNet, convolution avec commutation nœud-arête, un réseau de neurones graphiques pour les tâches d'apprentissage sur des données structurées en graphes avec à la fois des caractéristiques de nœuds et d'arêtes. CensNet est un cadre général d'intégration de graphes, qui intègre à la fois des nœuds et des arêtes dans un espace de caractéristiques latent. En utilisant le graphe des lignes du graphe non orienté d'origine, le rôle des nœuds et des arêtes est inversé, et deux nouvelles opérations de convolution graphique sont proposées pour la propagation des caractéristiques. Les résultats expérimentaux sur des réseaux de citation académiques et des graphes de chimie quantique du monde réel montrent que notre approche atteint ou égalise les performances de pointe dans quatre tâches d'apprentissage sur graphes, y compris la classification de nœuds semi-supervisée, la classification de graphes multi-tâches, la régression de graphes, et la prédiction de liens.