Les réseaux de neurones graphiques (GNN) sont des modèles neuronaux qui opèrent sur des graphes G = (V, E), où V est l'ensemble des nœuds et E l'ensemble des arêtes.
L'opération centrale dans les GNN est le passage itératif de messages, où pour chaque nœud v ∈ V un vecteur de représentation amélioré h_v^{(k)} à la k-ième couche est calculé par agrégation des représentations de ses voisins :
h_v^{(k)} = σ \left( W^{(k)} \cdot \text{AGGREGATE} \left( \{ h_u^{(k-1)} : u \in \mathcal{N}(v) \} \right) + b^{(k)} \right)
où σ est une fonction d'activation, W^{(k)} et b^{(k)} sont des paramètres apprenables, et \mathcal{N}(v) est le voisinage de v.
La fonction d'agrégation peut prendre différentes formes, telles que la moyenne, la somme ou des combinaisons pondérées, comme dans les Graph Attention Networks (Velickovic et al., 2018).
Les GNN permettent de modéliser des structures relationnelles complexes et sont utilisés avec succès dans de nombreux domaines, notamment la chimio-informatique, les réseaux sociaux et les graphes de connaissances.
Définition :
Les réseaux de neurones graphiques sont des réseaux neuronaux qui apprennent par agrégation et transformation itératives des informations du voisinage dans les graphes, afin de générer des représentations de nœuds, d'arêtes ou de graphes.
Source :
Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Philip, S. Y. (2021). A Comprehensive Survey on Graph Neural Networks. IEEE Transactions on Neural Networks and Learning Systems.