Réseau de neurones à graphes
- Introduite par
- Kipf, T.N. & Welling, M.
- Année
- 2017
- Type
- Deep learning on graph-structured data
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
Revue scientifique en attente.
Les sections affirmant des seuils universels de taille d’échantillon pour les GNN sont suspendues en attendant une revue scientifique. L’étude originale n’établit pas de seuil d’éligibilité général. Source de comparaisonÀ quoi sert-elle ?
Un réseau de neurones à graphes (GNN) est une méthode d'apprentissage profond, popularisée par Kipf et Welling en 2017 avec le réseau de neurones convolutifs sur graphes (Graph Convolutional Network), qui apprend à partir des relations dans des structures de réseau (graphes) composées de nœuds et d'arêtes.
Il est conçu pour des données naturellement relationnelles, telles que les réseaux sociaux, les structures moléculaires et les systèmes de recommandation.
L’intuition derrière la méthode
De nombreux types de données ne sont pas des tables plates d'entités indépendantes mais des réseaux d'entités connectées : des personnes liées par des amitiés, des atomes liés par des liaisons, des articles liés par les achats groupés. Un GNN prend cette connectivité au sérieux. Au lieu de considérer chaque nœud isolément, il permet à chaque nœud d'écouter ses voisins et de mettre à jour sa propre représentation en fonction de ce qui l'entoure, de sorte que la structure du graphe elle-même fait partie de ce que le modèle apprend.
Histoire
Les réseaux de neurones à graphes sont entrés dans le courant dominant avec le Graph Convolutional Network de Kipf et Welling en 2017, qui a formulé l'apprentissage sur les graphes comme une forme de convolution basée sur le voisinage. Veličković et ses collègues ont étendu l'idée en 2018 avec les Graph Attention Networks, permettant aux nœuds de pondérer différemment leurs voisins. La monographie de Hamilton en 2020, Graph Representation Learning, a consolidé le domaine, et les GNN sont depuis devenus un outil standard pour les données relationnelles.
Quand l’utiliser
Cette section est en attente de revue scientifique. N’utilisez pas ses conditions comme règles de choix de méthode.
Texte original en attente de revue
Limites et points d’attention
- La source ne précise pas de limites ; l’adéquation exige une évaluation distincte.
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Apprend directement à partir de la structure relationnelle plutôt que de forcer les données dans des lignes plates.
- Naturellement adapté aux réseaux sociaux, aux structures moléculaires et aux systèmes de recommandation.
- Peu d'hypothèses sur les distributions des caractéristiques ; gère les caractéristiques de nœuds continues, catégorielles et binaires.
- Capture comment le contexte d'un nœud — son voisinage dans le graphe — façonne son comportement.
Applications
- Analyse des nœuds et des liens dans les réseaux sociaux.
- Prédiction de propriétés sur des structures moléculaires.
- Systèmes de recommandation basés sur des graphes d'interactions utilisateur-article.
- Explication et apprentissage des relations dans tout ensemble de données naturellement connectées.
Comment ça marche
Comment ça marche
Formule
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)Méthodes associées
Sources
Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.
Ouvrir la référence de la publicationCopié.Veličković, P. et al. (2018). Graph Attention Networks. ICLR.
Ouvrir la référence de la publicationCopié.Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.
Ouvrir la référence DOICopié.