Haddad, Maroun
(2021).
« Exploring the representational power of graph autoencoders » Mémoire.
Montréal (Québec, Canada), Université du Québec à Montréal, Maîtrise en informatique.
Fichier(s) associé(s) à ce document :
Résumé
L’apprentissage des représentations s’est établi comme une méthode efficace pour effectuer de diverses tâches d’apprentissage sur les graphes. Cette approche vise à projeter le graphe dans un espace vectoriel qui encode à la fois sa structure et son contenu. Bien que l’apprentissage des représentations ait eu un grand succès sur de nombreuses tâches d’apprentissage sur les graphes, la compréhension des structures qui sont encodées par les représentations vectorielles reste limitée. Par exemple, nous nous demandons si les caractéristiques topologiques, telles que le nombre de triangles, le degré du noeud, et autres mesures de centralité sont encodés concrètement dans les représentations. De plus, nous nous demandons si la présence de ces structures dans les représentations est nécessaire pour une meilleure performance sur les tâches descriptives et prédictives comme le clustering et la classification. Pour adresser ces questions de recherche, nous menons une étude empirique approfondie sur trois classes de modèles d’apprentissage de représentations non-supervisés et sept variations de Graphe Autoencodeurs. Nos résultats révèlent que cinq caractéristiques topologiques, en particulier: le degré d’un noeud, le score de regroupement local (Local Clustering Score), la centralité d’interdépendance (Betweenness Centrality), la centralité des vecteurs propres (Eigenvector Centrality) ainsi que le nombre de triangles (Triangle Count) sont concrètement préservés dans la première couche du Autoencodeur qui utilise la règle d’agrégation SUM, à condition que le modèle préserve la proximité du deuxième ordre. Nous présentons d’autres preuves de l’encodage de ces caractéristiques en révélant une hiérarchie dans la distribution des caractéristiques topologiques dans les représentations du modèle susmentionné, particulièrement pour: le degré du noeud, le score de regroupement local, la centralité d’interdépendance et le nombre de triangles. Nous montrons également qu’un modèle avec de telles propriétés peut surpasser d’autres modèles sur certaines tâches en aval (p. ex. clustering ou classification), en particulier lorsque les caractéristiques topologiques préservées sont pertinentes pour la tâche à accomplir. Enfin, nous évaluons l’impact de nos résultats en effectuant une étude de cas qui se rattache à la prédiction de l’influence sociale.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : Intelligence artificielle, Apprentissage profond, Réseaux de neurones pour les graphes, Apprentissage des représentations, Caractéristiques topologiques.
| Type: |
Mémoire accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Bouguessa, Mohamed |
| Mots-clés ou Sujets: |
Apprentissage profond / Réseaux de neurones en graphes / Apprentissage de représentation des graphes |
| Unité d'appartenance: |
Faculté des sciences > Département d'informatique |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
30 oct. 2024 10:28 |
| Dernière modification: |
30 oct. 2024 10:28 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/18148 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
