Deep Graph Infomax

Nous présentons Deep Graph Infomax (DGI), une approche générale pour l’apprentissage des représentations de nœuds dans des données structurées graphiquement de manière non supervisée. DGI s’appuie sur la maximisation des informations mutuelles entre les représentations de correctif et les résumés correspondants de graphes de haut niveau – les deux étant dérivés d’architectures de réseau convolutionnelles établies. Les représentations de patch apprises résument les sous-graphes centrés sur les nœuds d’intérêt et peuvent donc être réutilisées pour les tâches d’apprentissage en aval des nœuds. Contrairement à la plupart des approches antérieures en matière d’apprentissage non supervisé avec des réseaux de communication, DGI ne s’appuie pas sur des objectifs de marche aléatoires et s’applique facilement aux configurations d’apprentissage transductifs et inductifs. Nous démontrons des performances compétitives sur une variété de points de repère de classification de nœuds, qui parfois dépassent même les performances de l’apprentissage supervisé.