Équivariance généralisée et étiquetage préférentiel pour la classification des nœuds du GNN

Résumé : Les réseaux neuronaux de graphes (GNN) existants reposent en grande partie sur l'intégration des nœuds, qui représente un nœud comme un vecteur par son identité, son type ou son contenu. Cependant, les graphes avec des nœuds non attribués existent largement dans les applications du monde réel (par exemple, les réseaux sociaux anonymes). Les GNN précédents attribuent des étiquettes aléatoires aux nœuds (ce qui introduit des artefacts dans le GNN) ou attribuent un encastrement à tous les nœuds (ce qui ne permet pas de distinguer explicitement un nœud d'un autre). De plus, lorsque ces GNN sont appliqués à des problèmes de classification de nœuds non attribués, ils ont une propriété d'équivariance indésirable, ce qui les rend fondamentalement incapables de traiter les données avec de multiples sorties possibles. Dans cet article, nous analysons les limites des approches existantes pour les problèmes de classification de nœuds. Inspirés par notre analyse, nous proposons une propriété d'équivariance généralisée et une technique d'étiquetage préférentiel qui satisfait la propriété souhaitée de manière asymptotique. Les résultats expérimentaux montrent que nous obtenons des performances élevées dans plusieurs tâches de classification de nœuds non attribués.