Opérateurs de Décalage des Graphes Pour, Dans et à Partir Des Réseaux Neuronaux Des Graphes – GraspGNNs

Les réseaux de neurones des graphes (GNN) ont connu de nombreux succès académiques et industriels au cours des dernières années, offrant un terrain riche en analyses théoriques et obtenant des résultats de pointe dans plusieurs tâches d'apprentissage. Cela leur a valu un intérêt académique et industriel significatif. Dans ce projet, nous visons à acquérir une meilleure compréhension théorique de ce type de modèle important. Les étapes de calcul des réseaux neuronaux à passage de messages, le cadre GNN le plus courant, sont le passage de messages et l'étape de mise à jour. Notre analyse théorique se concentrera sur le choix de la fonction de passage de message dans l'étape de passage de message, qui est analogue à l'étude de la matrice de l'opérateur de déplacement de graphe (GSO) utilisée pour représenter le graphe. Les choix courants de GSOs, incluent les matrices d'adjacence et de Laplacien. Grâce à l'étude des GSO dans les GNN, nous prévoyons de trouver des représentations optimales des graphes dans les GNN (WP1), de comprendre et d'aborder les problèmes de lissage et d'écrasement excessifs dans les GNN (WP2). Nous prévoyons également d'explorer les mesures de centralité en tant que représentations de graphes dans les GNN (WP3) et appliquer les modèles développés au domaine biomédical, dans lequel nous prévoyons de travailler sur la tâche de protéine-ligand docking (WP4). L'objectif est d'utiliser immédiatement les connaissances théoriques acquises pour inspirer de nouvelles architectures GNN et proposer des modèles plus performants, c'est-à-dire que nous visons des avancées théoriques qui inspirent des avancées méthodologiques directes ayant un impact sur le monde réel.