Convolution et Decimation pour les réseaux de neurones sur graphes – CoDeGNN

De nombreux objets de notre vie actuelle sont discrets et décrits par des séquences d'éléments (chaînes de caractères) ou des relations plus complexes (par exemple des graphes). Inférer des informations de ces objets discrets relève du domaine de la reconnaissance structurelle de formes. Ce champ disciplinaire a longtemps été limité par des métriques coûteuses (par exemple basées sur l'isomorphisme des sous-graphes) ou peu efficaces, généralement combinées à des algorithmes d'apprentissage machine limités (principalement l'algorithme des k plus proches voisins). Deux percées récentes ont radicalement changé cette situation : les noyaux de graphes et, plus récemment, les réseaux de neurones sur graphes (GNN). Ce projet vise à résoudre les limitations actuelles des deux opérations de base des GNN, à savoir la convolution et la décimation. Nous prévoyons également d'étudier des types d'objets moins étudiés : les séquences de graphes.