GMNN: Graph Markov Neural Networks

Cet article étudie la classification d’objets semi-supervisée dans les données relationnelles, ce qui constitue un problème fondamental pour la modélisation de données relationnelles. Le problème a été abondamment étudié dans la littérature portant à la fois sur l’apprentissage relationnel statistique (réseaux de Markov relationnels, par exemple) et sur les réseaux neuronaux graphiques (réseaux convolutionnels graphiques, par exemple). Les méthodes d’apprentissage statistiques relationnelles peuvent modéliser efficacement la dépendance des étiquettes d’objet par le biais de champs aléatoires conditionnels pour la classification collective, tandis que les réseaux neuronaux graphiques de g apprennent des représentations efficaces d’objets pour la classification via un apprentissage de bout en bout. Dans cet article, nous proposons le réseau neuronal graphique de Markov (GMNN) qui combine les avantages des deux mondes. Un GMNN modélise la distribution conjointe d’étiquettes d’objets avec un champ aléatoire conditionnel, qui peut être efficacement entraîné avec l’algorithme EM de variation. Dans l’étape E, un réseau neuronal graphique apprend des représentations d’objets efficaces permettant d’approcher les distributions postérieures d’étiquettes d’objets. Dans l’étape M, un autre réseau neuronal graphique est utilisé pour modéliser la dépendance d’étiquette locale. Des expériences sur la classification des objets, la classification des liens et l’apprentissage de la représentation de nœuds non supervisé montrent que le réseau GMNN permet d’obtenir des résultats de pointe.