Qu'est-ce que le Réseau d'Isomorphisme de Graphes (GIN) ?

Le Réseau d’Isomorphisme de Graphes (GIN) est un type de réseau neuronal de graphes (GNN) conçu pour différencier efficacement les graphes. GIN repose sur l’idée que son architecture peut approximer la puissance de l’algorithme de test d’isomorphisme de graphes (test de Weisfeiler-Lehman), ce qui le rend très expressif.

L’idée principale de GIN est l’agrégation des caractéristiques des sommets voisins par sommation, suivie de l’application d’un perceptron multicouche (MLP). Cela permet au réseau de mieux distinguer les structures de graphes par rapport à d’autres méthodes d’agrégation (par exemple, la moyenne).

Exemple de formule de mise à jour des caractéristiques du sommet v :

h_v^{(k)} = MLP^{(k)} \left( (1 + \epsilon^{(k)}) \cdot h_v^{(k-1)} + \sum_{u \in N(v)} h_u^{(k-1)} \right)

où :

• (h_v^{(k)}) sont les caractéristiques du sommet v à la couche k,
• (N(v)) est l’ensemble des voisins du sommet v,
• (\epsilon^{(k)}) est un paramètre entraînable,
• MLP est un perceptron multicouche.

Ainsi, GIN est efficace pour les tâches où il est important de distinguer de subtiles différences structurelles entre les graphes.