Motifs locaux et super-graphe pour la classification de graphes symboliques avec des réseaux convolutionnels

Évariste Daller (1) , Luc Brun (1) , Sébastien Bougleux (1) , Olivier Lézoray (1)

1 Equipe Image - Laboratoire GREYC - UMR6072

Convolutional neural networks (CNN) have deeply impacted the field of machine learning. These networks designed to process objects with a fixed topology readily apply to images, videos and sounds but can not be easily extended to structures with an arbitrary topology such as graphs. Examples of applications of machine learning to graphs include the prediction of the properties of molecular graphs or the classification of 3D meshes. Within the symbolic graphs framework, we propose a method to extend networks based on a fixed topology to input graphs with an arbitrary topology. We also propose an enriched feature vector attached to each vertex of a chemical graph in order to improve the prediction of its properties as well as a new bottleneck layer allowing to connect arbitrary topological graphs on a fully connected layer.

Les réseaux convolutionnels ont révolutionné le domaine de l'apprentissage machine. Ces réseaux s'appliquent naturellement aux images, vidéos et aux sons. En revanche, la structure fixe de leur couche d'entrée ne permet pas de les étendre facilement à des structures de topologie arbitraire tels que les graphes. On peut citer comme exemples d'applications la prédiction de propriétés de molécules chimiques ou la classification de maillages 3D. Dans le cadre de graphes symboliques, nous proposons une méthode permettant d'appliquer des réseaux basés sur une topologie fixe de la couche d'entrée à des graphes de topologie arbitraire. Nous proposons également d'enrichir l'information contenu dans chaque sommet pour améliorer la prédiction de ses propriétés ainsi qu'une nouvelle couche permettant d'interfacer des graphes de topologie arbitraire avec une couche entièrement connectée.

Keywords: Graph-CNNs; graph classification; graph edit distance

Keywords: CNN de graphes; classification de graphes; distance d'édition entre graphes

Domains: Computer Science [cs]; Machine Learning [cs.LG]; Computer Science [cs]; Neural and Evolutionary Computing [cs.NE]; Chemical Sciences; Cheminformatics

Évariste Daller, Luc Brun, Sébastien Bougleux, Olivier Lézoray. Motifs locaux et super-graphe pour la classification de graphes symboliques avec des réseaux convolutionnels. Reconnaissance des Formes, Image, Apprentissage et Perception, RFIAP, AFRIF (Association Française pour la Reconnaissance et l'Interprétation des Formes), Jun 2018, Marne-la-Vallée, France. ⟨hal-01796587⟩