Graph Neural Network : la prochaine étape du Deep learning

Pour dé­ve­lop­per une in­tel­li­gence ar­ti­fi­cielle, le processus d’ap­pren­tis­sage est décisif. Le Machine learning, et plus par­ti­cu­liè­re­ment le Deep learning, servent à entraîner des al­go­rithmes, et ainsi à nourrir la réflexion propre du logiciel. La re­con­nais­sance faciale s’appuie par exemple sur des tech­niques de ce genre. Beaucoup de solutions d’ap­pren­tis­sage au­to­ma­tique fonc­tion­nent à partir de réseaux de neurones ar­ti­fi­ciels : les al­go­rithmes du logiciel sont conçus comme des réseaux de nodes (nœuds), à l’image de la structure du système nerveux humain. Il existe une nouvelle forme de réseau que l’on appelle Graph Neural Network (GNN) ou réseau de neurones gra­phiques. Comment fonc­tionne cette technique ?

Les Graph Neural Networks (GNN) sont une nouvelle forme de réseaux de neurones ar­ti­fi­ciels (en anglais ar­ti­fi­cial neural networks) qui se basent sur des gra­phiques. Pour com­prendre les GNN, il faut tout d’abord com­prendre ce que recouvre le terme de « graphique » dans ce contexte. En in­for­ma­tique, ce mot désigne un type de données par­ti­cu­lier : un graphique se compose de plusieurs points (nodes ou vertices) reliés entre eux (par des bords ou edges) et cons­ti­tuent des paires. Un exemple simple : la personne A et la personne B peuvent être ma­té­ria­li­sées par un point dans un graphique. Leur relation cor­res­pond au lien entre ces points. Si la relation disparait, on se retrouve avec un ensemble de personnes, donc de données.

Une sous-catégorie bien connue du graphique est l’arbre : cette fois, les nodes sont reliés entre eux de manière à ce qu’il n’y ait qu’un seul chemin entre le point A et le point B (même dans le cas de plusieurs nodes). Les bords peuvent suivre une seule direction ou aucune direction. Dans un graphique, les relations sont aussi im­por­tantes que les données elles-mêmes. À l’instar de chaque node, chaque bord peut avoir des attributs.

Le graphique est donc par­ti­cu­liè­re­ment adapté pour re­pré­sen­ter des réalités concrètes. C’est cette propriété qui permet de faire pro­gres­ser le deep learning : rendre les si­tua­tions na­tu­relles ac­ces­sibles aux logiciels. C’est exac­te­ment ce que permet le Graph Neural Network : dans un GNN, les nodes re­cueil­lent des in­for­ma­tions auprès de leurs voisins, car ils échangent ré­gu­liè­re­ment des in­for­ma­tions entre eux. C’est ainsi qu’un réseau de neurones en graphique peut apprendre : les in­for­ma­tions sont relayées et en­re­gis­trées dans les pro­prié­tés de chaque node.

Jusqu’à présent, ce sont tout d’abord les scien­ti­fiques qui se sont in­té­res­sés aux pos­si­bi­li­tés qu’offrent les réseaux de neurones en graphique. Les pos­si­bi­li­tés d’ap­pli­ca­tion proposées sont pourtant nom­breuses. Dès que les relations jouent un rôle important dans la situation ou les processus et que l’ensemble doit être re­pré­senté dans un réseau de neurones, le GNN s’avère pertinent.

• Marchés fi­nan­ciers : les pré­vi­sions du marché peuvent gagner en fiabilité en com­pre­nant les tran­sac­tions.
• Moteurs de recherche : pour évaluer l’important d’un site Internet, les relations entre les pages sont décisives.
• Réseaux sociaux : mieux com­prendre les relations entre les personnes peut permettre d’optimiser les réseaux sociaux.
• Chimie : la com­po­si­tion d’une molécule peut être re­pré­sen­tée en graphique, et par con­sé­quent trans­po­sée dans un GNN.
• Con­nais­sances : pour mettre idéa­le­ment à dis­po­si­tion les con­nais­sances, com­prendre les liens entre les in­for­ma­tions est décisif.

Les Graph Neural Networks sont déjà utilisés au niveau de la re­con­nais­sance des images et de la voix. Sous certaines con­di­tions, les in­for­ma­tions non struc­tu­rées et na­tu­relles sont mieux traitées à l’aide d’un GNN qu’au moyen d’un réseau de neurones tra­di­tion­nel.

Les réseaux de neurones en graphique per­met­tent des avancées qu’on ne pouvait envisager que de façon ru­di­men­taire avec les réseaux de neurones clas­siques. Au­pa­ra­vant, on ne pouvait pas traiter cor­rec­te­ment les données en graphique, car les relations entre les données ne pouvaient pas être suf­fi­sam­ment prises en compte. Avec les GNN, les bords sont désormais aussi précis que les nodes eux-mêmes.

D’autres problèmes inhérents aux réseaux de neurones restent d’actualité avec les GNN, notamment celui de la boîte noire, loin d’être résolu : on ne comprend encore pas bien comment un réseau de neurones, à fortiori en graphique, sé­lec­tionne son es­ti­ma­tion finale car, de l’extérieur, il est presque im­pos­sible de suivre les processus qui se déroulent dans le système.