En quoi les GNN diffèrent-elles des algorithmes classiques sur les graphes (PageRank, propagation de labels) ?

Les réseaux neuronaux de graphe (GNN) diffèrent des algorithmes classiques sur les graphes, tels que PageRank ou la propagation de labels, principalement par leur capacité à apprendre et à généraliser à partir des données.

• Apprentissage: Les GNN sont des réseaux neuronaux qui s’entraînent sur des données de graphes, extrayant automatiquement des caractéristiques et des dépendances. Les algorithmes classiques ont généralement une logique fixe et ne s’entraînent pas.

• Flexibilité de représentation: Les GNN peuvent utiliser différents types de caractéristiques de sommets et d’arêtes, ainsi que prendre en compte des dépendances non linéaires complexes, alors que les algorithmes classiques opèrent souvent uniquement sur la structure du graphe.

• Généralisation: Les GNN peuvent généraliser leurs connaissances à de nouveaux graphes ou nœuds, ce qui est important pour les tâches de prédiction. Les algorithmes classiques résolvent généralement des tâches spécifiques, comme le classement (PageRank) ou la propagation de labels, sans entraînement.

• Architecture: Les GNN sont basés sur l’idée d’agréger l’information des voisins (passage de message), ce qui permet de prendre en compte efficacement la structure locale et les caractéristiques.

Exemple : PageRank calcule l’importance des nœuds en fonction de la structure des liens, sans entraînement. Les GNN peuvent être entraînées pour prédire les propriétés des nœuds, en utilisant à la fois la structure et les caractéristiques, en adaptant les poids d’agrégation lors de l’entraînement.