Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Graph Convolutional Network (GCN)
Architecture de réseau neuronal qui applique des opérations de convolution sur des structures de données en graphe en agrégeant les caractéristiques des nœuds voisins pour apprendre des représentations de nœuds.
Neighborhood Aggregation
Processus de combinaison des caractéristiques des nœuds voisins pour mettre à jour la représentation d'un nœud cible, typiquement via des opérations de moyenne, de somme ou de maximum.
Spectral Methods
Approche basée sur la théorie spectrale des graphes utilisant la décomposition en valeurs propres du Laplacien pour définir des opérations de convolution sur les graphes.
Spatial Methods
Approche directe appliquant des opérations de convolution dans l'espace des nœuds en agrégeant physiquement les caractéristiques des voisins sans transformation spectrale.
Graph Laplacian
Matrice représentant la structure d'un graphe, définie comme la différence entre la matrice de degrés et la matrice d'adjacence, fondamentale pour les méthodes spectrales.
Feature Propagation
Mécanisme par lequel les caractéristiques des nœuds se propagent à travers le graphe via des couches successives de convolution, capturant des informations de voisinage à différentes échelles.
Semi-Supervised Learning
Paradigme d'apprentissage où les GCN utilisent à la fois des données étiquetées et non étiquetées pour améliorer les performances de classification sur des graphes.
Node Classification
Tâche fondamentale où les GCN prédisent les étiquettes des nœuds en utilisant la structure du graphe et les caractéristiques des nœuds voisins.
Link Prediction
Application des GCN pour prédire l'existence de liens entre paires de nœuds en apprenant des représentations qui capturent la probabilité de connexion.
Graph Classification
Tâche de classification au niveau du graphe entier où un GCN apprend une représentation globale du graphe pour prédire une étiquette pour l'ensemble de la structure.
Graph Attention Network (GAT)
Variante des GCN incorporant des mécanismes d'attention pour calculer dynamiquement les poids d'importance des arêtes lors de l'agrégation des caractéristiques.
Over-smoothing
Phénomène où les représentations des nœuds deviennent indiscernables après de multiples couches de convolution, perdant leur discriminabilité individuelle.
Graph Sampling
Technique d'échantillonnage de sous-graphes ou de voisinages pour entraîner efficacement des GCN sur des graphes à grande échelle.
Graph Pooling
Opération de réduction hiérarchique qui combine ou élimine des nœuds pour créer des représentations de graphes coarser pour la classification au niveau graphe.
Heterogeneous GCN
Extension des GCN conçue pour traiter des graphes contenant plusieurs types de nœuds et/ou d'arêtes avec des mécanismes d'agrégation spécifiques à chaque type.
Temporal GCN
Variante des GCN qui capture l'évolution dynamique des graphes au temps en intégrant des mécanismes récurrents ou temporels avec la convolution sur graphe.