Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
GraphSAGE
Algorithme de réseau neuronal sur graphe inductif qui échantillonne et agrège les caractéristiques des voisins pour générer des embeddings de nœuds sur des graphes de grande taille.
Apprentissage Inductif
Approche d'apprentissage capable de généraliser à des nœuds ou graphes invisibles lors de l'entraînement, contrairement à l'apprentissage transductif qui nécessite la structure complète du graphe.
Échantillonnage de Voisins
Technique consistant à sélectionner un sous-ensemble aléatoire fixe de voisins pour chaque nœud lors de l'entraînement, permettant de traiter efficacement des graphes de grande taille.
Fonction d'Agrégation
Opération mathématique combinant les caractéristiques des nœuds voisins pour produire une représentation agrégée, essentielle dans la propagation d'informations sur les graphes.
Embedding de Nœuds
Représentation vectorielle dense de basse dimension capturant les propriétés structurelles et caractéristiques d'un nœud dans un graphe, utilisée pour les tâches de prédiction.
Agrégateur Moyen
Fonction d'agrégation calculant la moyenne élément par élément des caractéristiques des nœuds voisins, fournissant une représentation symétrique et stable des informations locales.
Agrégateur Max Pooling
Fonction d'agrégation appliquant une transformation non linéaire suivie d'un max pooling sur les caractéristiques des voisins, capturant les aspects les plus saillants du voisinage.
Agrégateur LSTM
Fonction d'agrégation utilisant un réseau LSTM pour traiter séquentiellement les caractéristiques des voisins, capturant les dépendances asymétriques dans le voisinage du nœud.
Propagation de Caractéristiques
Processus itératif de transmission et d'agrégation des informations entre nœuds voisins pour enrichir progressivement les représentations vectorielles sur plusieurs couches.
Entraînement Mini-batch
Stratégie d'entraînement divisant le graphe en petits sous-ensembles de nœuds pour optimiser l'efficacité computationnelle et permettre la mise à l'échelle sur des graphes massifs.
Convolution sur Graphe
Opération généralisant la convolution 2D aux structures de graphes, combinant les caractéristiques d'un nœud avec celles de ses voisins selon un schéma d'agrégation défini.
Apprentissage Transductif
Paradigme d'apprentissage où le modèle est entraîné et testé sur le même ensemble de nœuds fixes, nécessitant la structure complète du graphe lors de l'inférence.
Passage de Messages
Cadre algorithmique où les nœuds échangent des informations avec leurs voisins pour mettre à jour leurs états, fondement des réseaux de neurones sur graphes.
Représentation de Graphe
Encodage vectoriel capturant les propriétés structurelles et sémantiques d'un graphe entier, utilisé pour les tâches de classification ou de régression au niveau graphe.
Stratégie d'Échantillonnage
Méthode définissant comment sélectionner les voisins lors de l'entraînement, impactant l'équilibre entre efficacité computationnelle et préservation de l'information structurelle.
Concaténation de Caractéristiques
Opération combinant les caractéristiques originales d'un nœud avec les informations agrégées de ses voisins pour créer une représentation enrichie avant transformation.
Connexion Résiduelle
Mécanisme permettant le bypass direct de l'information entre couches, facilitant l'entraînement profond et préservant les caractéristiques originales des nœuds.
Activation ReLU
Fonction d'activation non linéaire appliquée après l'agrégation pour introduire de la non-linéarité, définie comme max(0, x) et largement utilisée dans GraphSAGE.
Normalisation par Batch
Technique de régularisation normalisant les activations sur chaque mini-batch pour stabiliser l'entraînement et accélérer la convergence dans les réseaux de neurones sur graphes.