Description
Le Réseau d'Isomorphisme de Graphes (GIN) est une architecture de réseau de neurones graphiques (GNN) proposée dans "Quelle est la puissance des réseaux de neurones graphiques ?", un article de Keyulu Xu, Weihua Hu, Jure Leskovec et Stefanie Jegelka, présenté comme une soumission anonyme à la conférence ICLR 2019. Les GNN apprennent des représentations de graphes en agrégeant et en transformant de manière répétée les vecteurs de représentation des nœuds voisins, et au moment où l'article a été publié, de nombreuses variantes de GNN existaient mais leurs limites représentatives n'étaient pas bien comprises.
Lire la suite
L'article construit un cadre théorique pour mesurer à quel point une variante de GNN donnée peut distinguer différentes structures de graphes. Il montre que des variantes populaires telles que les Réseaux de Neurones Convolutionnels de Graphes et GraphSAGE ne peuvent pas distinguer certaines structures de graphes simples les unes des autres. À partir de cette analyse, les auteurs dérivent GIN : une architecture qu'ils prouvent être la plus expressive possible parmi les GNN à passage de message, égalant le pouvoir discriminant du test d'isomorphisme de graphes de Weisfeiler-Lehman, un algorithme classique pour déterminer si deux graphes sont structurellement identiques.
L'article valide GIN empiriquement sur un ensemble de références de classification de graphes et rapporte des résultats à la pointe de la technologie au moment de sa publication. Les mots-clés répertoriés sont réseaux de neurones graphiques, théorie, apprentissage profond, pouvoir représentatif, isomorphisme de graphes et multisets profonds, reflétant à la fois la contribution théorique, le cadre d'expressivité et le modèle résultant.
Il s'agit d'une architecture de recherche publiée plutôt que d'un produit hébergé ou d'un service payant ; aucun fournisseur ne vend l'accès à celle-ci, et elle est généralement utilisée à travers des implémentations open-source dans des bibliothèques d'apprentissage de graphes à usage général plutôt que par la page de l'article lui-même.
GIN est destiné aux chercheurs et praticiens construisant ou évaluant des réseaux de neurones graphiques, en particulier pour la classification de graphes, plutôt qu'aux utilisateurs finaux. En tant qu'architecture spécifique issue de la recherche de 2018-2019, elle représente un point dans un domaine en évolution rapide ; des travaux ultérieurs ont proposé d'autres variantes de GNN et des résultats d'expressivité qui s'appuient sur ou étendent GIN, il convient donc de la lire comme une référence fondamentale plutôt que comme l'état actuel de l'art.
- CatégorieAutres outils IA
- Modèle tarifaireOpen source
- DéploiementAuto-hébergé
- PlateformesWeb
Points forts de Réseau d'Isomorphisme de Graphes
Prouvé être l'architecture la plus expressive parmi les réseaux de neurones graphiques à passage de message
Égalise le pouvoir discriminant du test d'isomorphisme de graphes de Weisfeiler-Lehman
Construit sur un cadre théorique analysant quelles structures de graphes une variante de GNN peut ou ne peut pas distinguer
Validé empiriquement sur plusieurs références de classification de graphes
Compare directement son expressivité avec celle des Réseaux de Neurones Convolutionnels de Graphes et de GraphSAGE
Introduit avec une preuve formelle ancrée dans la théorie des multisets profonds
Premiers pas avec Réseau d'Isomorphisme de Graphes
Lire le résumé : Consultez le cadre théorique de l'expressivité des GNN sur la page de son forum OpenReview
Lire l'article complet : Suivez la liste OpenReview vers le PDF pour la dérivation complète et les preuves
Examiner les références : Vérifiez les expériences de classification de graphes rapportées par les auteurs
Trouver une implémentation : Recherchez GIN dans des bibliothèques d'apprentissage de graphes open-source courantes pour appliquer directement l'architecture
Cas d'utilisation de Réseau d'Isomorphisme de Graphes
- Recherche en classification de graphes
- Analyse de l'expressivité des GNN
- Enseignement de la théorie des GNN
